پنج شنبه 21 آذر 1398 | Thursday 12 th of December 2019 صفحه اصلی گروه الکترونیکی کامپیوتر
عنوان فارسی: دسته بندی داده های مربوط به ژن با استفاده از یادگیری ماشین
عنوان انگلیسی: Classification of Gene Expression Data by Machine Learning
دانشجو: رحمانی مرجان
استاد راهنما: مریم سبزواری
استاد دفاع: نامشخص
تاریخ ارائه: مرداد 91
مقطع تحصیلی: کارشناسی
دانشگاه: دانشگاه پیام نور مشهد
موضوعات مرتبط: فناوری اطلاعات |
رشته های مرتبط: علوم کامپیوتر | مهندسی فناوری اطلاعات |
تاریخ قرار گیری در سایت: 11 آبان 1391 ساعت: 13:16:44
تعداد بازدید: 4155 بازدید
چکیده فارسی: دسته بندی داده های ژنی نقش مهمی در پیش بینی و تشخیص بیماریها ایفا می کند . همه ژنها در یک دسته بندی کارامد نمونه ها شرکت نمی کنند . بنابراین به یک الگوریتم انتخاب ویژگی موثر نیاز داریم تا بتوانیم ویژگی های مفید را که در دسته بندی کارامد نمونه ها کمک می کنند شناسایی کنیم . به منظور انتخاب ژن های مهم ( ویژگی ها) الگوریتم های انتخاب ویژگی متعددی معرفی شده اند . بسیاری از الگوریتم های انخاب ویژگی قدیمی برای یافتن یک زیرمجموعه ویژگی بهینه از نظر محاسباتی به یک استراتژی جستجوی قدرتمند نیاز دارند ، اما الگوریتم انتخاب ویژگی منتخب من یعنیERGS نیازی به استراتژی جستجو برای یافتن این زیرمجموعه ویژگی ندارد . نهایتا ویژگی های منتخب به عنوان ورودی به متد دسته بندی کننده منتخب یعنی SVM ، داده می شود و این متد داده ها را با دقت خوبی دسته بندی می نماید که بنابر شواهد تجربی موجود ، به دسته بندی های واقعی بسیار شبیه است
چکیده انگلیسی: Classification of gene expression data plays a significant role in prediction and diagnosis of deseases.All genes do not contribute for efficient classification of samples.Therefore a robust feature selection algorithm is required to identify the important genes which help in classifying the samples efficiently. In order to select informative genes (features) , many feature selection algorithm have been introduced.Most of the earlier algorithms require computationally expensive search strategy to find an optimal feature subset . But my selective feature selection algorithm (ERGS),do not require any search strategy to find this optimal subset of features. Eventually the selected features are given to classification method namely SVM , as an input parameter and this method classify the samples with high accuracies. According to existing experimental results , this clasiifications are very similar to empirical results. Keywords : Machine learning , Feature selection ,Classification
کلمات کلیدی: يادگيري ماشين، انتخاب ويژگي ، دسته بندي
عنوان بازدید
 مقدمه 657
|— 1-1 یادگیری ماشین 835
|—|— 1-1-1 مفهوم یادگیری ماشین 864
|—|— 1-1-2 اهمیت تحقیقات یادگیری ماشین 838
|—|— 1-1-3 کاربرد یادگیری ماشین 859
|—|— 1-1-4 دسته بندی روش های یادگیری 965
|— 1-2 بیوانفورماتیک 828
|— 1-3 ساختمان ژنتیکی انسان 770
|— 1-4 میکروارایه 902
 فصل دوم انتخاب ویژگی 864
|— 2-1 انتخاب ویژگی 1018
|— 2-2 گروه های انتخاب ویژگی 873
|—|— 2-2-1 رویکرد فیلتر (Filter) 930
|—|— 2-2-2 رویکرد بسته بندی (Wrapper) 858
|—|— 2-2-3 مدل ترکیبی (Embeded) 806
|— 2-3- Relief-F 812
|— 3-2 -1کمترین افزونگی – بیشترین ارتباط ( MRMR) 833
|— 2-3-2 t- Statistic 749
|— 3-3-2 Information Gain 723
|— 4-3-2 Statistic 699
|— 2-3-5 ERGS 757
|—|— 2-3-5-1 محدوده موثر ( Rij) 721
|—|— 2-3-5-2 الگوریتم ERGS 705
|—|— 2-3-5-3 اثر فاکتور (1-Pj) 703
|— 2-4 ارزیابی قیاسی 752
|— 2-5 مفاهیم مرتبط این فصل 634
 فصل سوم دسته بندی 695
|— 3-1 مقدمه 729
|— 3-2 دسته بندی 701
|—|— 3-2-1 دسته بندی چیست ؟ 723
|—|—|— 3-2-1-1 معرفی 719
|—|—|— 3-2-1-2 سختی های کار 714
|—|—|— 3-2-1- 3 تخمین خطا 778
|—|—|—|— 3-2-1-3-1 Cross Validation 763
|—|—|—|—|— 3-2-1-3-1-1 K-fold cross-validation 992
|—|—|—|—|— 3-2-1-3-1- 2 Leave-one-out cross-validation 1380
|—|— 3-2-2 روش های دسته بندی 854
|—|—|— 3-2-2-1 یادگیری Bayesian 752
|—|—|—|— 3-2-2-1-1 مقدمه 731
|—|—|—|— 3-2-2-1-2 تئوری Bayes و بیشترین احتمال 756
|—|—|—|— 3-2-2-1-3 دسته بندی کننده Naïve Bayes 826
|—|—|—|— 3-2-2-1-4 نتایج عملی دسته بندی کننده Naïve Bayes 742
|—|—|—|—|— 3-2-2-1-4-1 ویژگی های پیوسته 823
|—|—|—|—|— 3-2-2-1-4-2 تخمین احتمالات 793
|—|—|—|— 3-2-2-1-4 ماشین بردار پشتیبان 1579
|—|—|—|—|— 3-2-2-1-4 -1 فرموله کردن مسئله 996
|—|—|—|—|— 3-2-2-1-4 - 2حاشیه امن 909
|—|—|—|—|— 3-2-2-1-4 -3 ماشین های بردار پشتیبان غیر خطی فضای ویژگی 957
|—|—|—|—|— 3-2-2-1-4 -4 چرا انتقال به فضای بالاتر؟ 995
|—|—|—|—|— 3-2-2-1-4 -5 تابع کرنل 1059
|—|—|—|—|—|— 3-2-2-1-4 -5 -1 مزایای تابع کرنل 1340
|—|—|—|—|— 3-2-2-1-4 -6 کاربردهای ماشین بردار پشتیبان 1175
|—|—|—|—|— 3-2-2-1-4 -7 مزایا و معایب ماشین بردار پشتیبان 2041
 فصل چهارم دیتاست 1174
|— 4-1 مفهوم دیتاست 1014
|— 4-2 دیتاست های ژنی 827
|—|— 4-2-1 تومورهای روده بزرگ (Colon Tumor) 824
|—|— 4-2-2 ALL-AML 815
|—|— 4-2-3 سرطان ریه 817
|—|— 4-2-4 MLL 721
|—|— 4-2-5 پروستات 744
|— 4-3 نمونه 674
 فصل پنجم نتیجه گیری 679
|— 5-1 نتیجه گیری 696
|— 5-2 نتایج پیاده سازی 712
 پیوست 706
Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26