Koncept drift v metabolomické analýze

Abstract

Tato bakalářská práce se zabývá problematikou strojového učení, konkrétně analýzou drift konceptu. Jedná se o nechtěný jev, který lze detekovat v predikčních modelech. Pomocí detekce s následnou korekcí drift konceptu se predikční modely stávají spolehlivějšími a jsou schopny adekvátně reagovat na vstupní data reprezentující dynamickou informaci. Za vhodného reprezentanta těchto dat lze považovat metabolomická data. Metabolomická data a jejich analýza může pomoc k včasné detekci nemocí jako je diabetes mellitus, či rakovina. V první části práce jsou popsány teoretické poznatky z oblasti analýzy drift konceptu a metabolomické analýzy. Druhá část pojednává o postupu modelování predikčních klasifikátorů a implementaci algoritmů pro detekci drift konceptu. Praktická část práce byla realizována v programovacím jazyce Python. Na závěr jsou v rámci druhé časti popsány dosažené výsledky a jejich diskuze.

This bachelor thesis deals with machine learning, specifically the analysis of the concept drift. This is an unwanted phenomenon that can be detected in predictive models. Through detection followed by correction of the concept drift, predictive models become more reliable and can respond adequately to input data representing dynamic information. Metabolomic data can be considered a suitable representative of such data. Metabolomic data and their analysis can help to detect diseases such as diabetes mellitus or cancer early. In the first part of this bachelor thesis, the theoretical background of concept drift analysis and metabolomics analysis are described. The second part discusses the process of modeling predictive classifiers and implementing algorithms for concept drift detection. The practical part of the work was implemented in the Python programming language. Finally, the second part describes the results obtained and their discussion.