haku: @keyword ranking / yhteensä: 5
viite: 2 / 5
Tekijä: | Heiskanen, Tomas |
Työn nimi: | Ranking extension for kernelized Bayesian matrix factorization |
Kernelöidyn bayesiläisen matriisihajotelman laajennus järjestyslukuihin | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2014 |
Sivut: | 32 s. + liitt. 5 Kieli: eng |
Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
Oppiaine: | Informaatiotekniikka (IL3010) |
Valvoja: | Kaski, Samuel |
Ohjaaja: | Muhammad, Ammad-ud-din ; Georgii, Elisabeth |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201501221169 |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen 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
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 2518 | Arkisto |
Avainsanat: | ranking kernelized Bayesian matrix factorization probabilistic ranking variational approximate inference Plackett-Luce drug response prediction bioinformatiikka kernelöity bayesiläinen matriisihajotelma lääkevasteen ennustaminen syöpägenomiikka todennäköisyyspohjainen järjestyslukumalli variaationaalinen approksimatiivinen päättely |
Tiivistelmä (fin): | Syöpälääkkeiden vasteen ennustuksessa tehtävänä on ennustaa tietyn lääkkeen suhteelliset vasteet verrattuna muiden lääkkeiden vasteisiin solulinjoissa. Pohjimmiltaan tavoitteena on mallintaa lääkevasteiden järjestys eikä itse vastearvoja. Uusia koneoppimismenetelmiä kehitetään jatkuvasti syövän genomiikan tutkimusta varten, ja monista menetelmistä puuttuu edelleen järjestyslukuihin perustuvia malleja, esimerkiksi kernelöidylle bayesiläiselle matriisihajotelmalle (KBMF). Järjestyslukuihin perustuva malli voi ennustaa lääkkeiden vasteiden järjestykset, ja tuloksia voidaan verrata vaikka vasteet olisi peräisin eri seulonta alustoista. Tässä diplomityössä johdetaan järjestyslukujen laajennus KBMF-menetelmälle. KBMF laajennus järjestyslukuihin perustuu Plackett-Lucen järjestyslukumalliin. Variaationaaliset yhtälöt on johdettu käyttämällä approksimaatiotekniikoita, joita on ennen käytetty monen luokan luokituksessa ja multinomiaalisessa logistisessa regressiossa. Johdettua mallia verrataan KBMF-regressiomenetelmään simuloidulla aineistolla ja syöpälääkkeiden vasteaineistolla. |
Tiivistelmä (eng): | In cancer drug response prediction, the task is to predict the relative responses of a particular drug compared to other drugs on a set of cell lines. Essentially, the goal is to model the rank of the drugs and not the actual response values. New machine learning methods are constantly developed for cancer genomics and many of them still lack rank-based models, for instance kernelized Bayesian matrix factorization (KBMF). A rank-based model can predict the order of responses of drugs and the results can be compared even though the data might have come from different screening platforms. In this master's thesis a ranking extension for KBMF is derived. The ranking is based on Plackett-Luce's ranking model. The variational equations are derived by using approximation techniques used before in multi-class classification and multinomial logistic regression. The resulting model is validated against KBMF regression with toy data and cancer drug sensitivity data. |
ED: | 2015-02-08 |
INSSI tietueen numero: 50532
+ lisää koriin
INSSI