haku: @keyword bayesilainen päättely / yhteensä: 17
hakutulos-lista
viite: 9 / 17
« edellinen | seuraava »
Tekijä:Hartikainen, Jouni Markku
Työn nimi:Sparse Gaussian Process Models In Bayesian Spatio-Temporal Analysis
Harvat gaussiset prosessit bayesilaisessa spatio-temporaalisessa analyysissä
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2008
Sivut:(13) + 89      Kieli:   eng
Koulu/Laitos/Osasto:Informaatio- ja luonnontieteiden tiedekunta
Oppiaine:Laskennallinen tekniikka   (S-114)
Valvoja:Lampinen, Jouko
Ohjaaja:Vehtari, Aki
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto     | Arkisto
Avainsanat:Bayesian inference
spatio-temporal modeling
disease mapping
Gaussian process
sparce approximation
bayesilainen päättely
spatio-temporaalinen mallintaminen
tautikartoitus
gaussinen prosessi
harva approksimaatio
Tiivistelmä (fin): Tämä diplomityö keskittyy rakentamaan tilastollisia malleja systeemeille, jotka koostuvat sekä paikallisista että ajallisista ilmiöistä.
Erityisesti työssä keskitytään systeemeihin, joiden perustavanlaatuinen ajallinen dynamiikka on käytännössä mahdoton määrittää.

Työn varsinainen sovelluskohde on tautikartoitus, jonka tavoitteena on tutkia suhteellisen tautiriskin maantieteellistä ja ajallista vaihtelua.
Perinteinen lähestymistapa tautitapausten tilastolliseen mallintamiseen on olettaa taudin esiintyvyys tietyllä alueella ja ajanhetkellä Poisson-prosessiksi, jonka odotusarvo koostuu vakioidun tautiriskin ja suhteellisen riskin tulosta.
Tässä työssä tautiriski vakioidaan taustapopulaation ikäjakauman mukaan.
Suhteellisen riskin logaritmille asetetaan priori-malliksi gaussinen prosessi, jonka tarkoitus on silottaa riskipinta ajan ja paikan suhteen.
Tässä työssä käsitellään kahden erilaisen harvan gaussisen prosessin toteutusta spatio-temporaalisessa tautikartoituksessa.

Yleinen ongelma Poisson-prosessissa on sen oletus varianssin ja odotusarvon yhtäläisyydelle, kun taas tautiaineistot ovat tyypillisesti niin harvoja, että havaintojen varianssi ylittää niiden odotusarvon.
Tässä työssä esitellään robusti vaihtoehto Poisson-prosessille, joka perustuu negatiiviseen binomijakaumaan.
Erityisesti työn kontribuutiona on negatiivisen binomijakaumaan perustuvan uskottavuusfunktion toteutus harvalle gaussiselle prosessille, kun latentin prosessin posteriorijakauma estimoidaan sekä Markov ketju Monte Carlo satunnaisotantamenetelmillä että expectation propagation likimääräismenetelmällä.

Työssä rakennetaan yksinkertainen havaintoaineisto, jolla toteutettuja spatio-temporaalisia tautikartoitusmalleja verrattaan keskenään.
Lisäksi malleja verrataan toisiinsa oikealla havaintoaineistolla käyttäen kymmenkertaista ristiinvalidointia.
Toteutettua negatiivista binomimallia sovelletaan oikeaan kuolinsyydataan, ja tuloksia verrataan perinteisen Poisson-prosessin tuloksiin.

Toteutettuja spatio-temporaalisia malleja sovelletaan kolmeen eri syöpätapausaineistoon.
Analyysin tulokset esitetään sekä kirjallisesti, että riskikarttoina.
ED:2008-08-21
INSSI tietueen numero: 36053
+ lisää koriin
« edellinen | seuraava »
INSSI