haku: @keyword ranking / yhteensä: 5
hakutulos-lista
viite: 2 / 5
« edellinen | seuraava »
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
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  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
« edellinen | seuraava »
INSSI