Koncept drift v metabolomické analýze
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
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.
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.
Description
Citation
KOŠTOVAL, A. Koncept drift v metabolomické analýze [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
doc. Ing. Martin Augustynek, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Martin Vítek, Ph.D. (člen)
Mgr. Bc. Darina Čejková, Ph.D. (člen)
MUDr. Jaromír Gumulec, Ph.D. (člen)
Ing. Petra Novotná (člen)
Date of acceptance
2022-06-15
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. MUDr. Gumulec položil otázku: Počítá drift koncept s variabilitou vzoru? Mgr. Čejková položila otázku: Jak je Váš model úspěšný při predikci antikoncepce u mužů? Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení