About: Logic-based machine learning for genomic data analysis     Goto   Sponge   NotDistinct   Permalink

An Entity of Type : http://linked.opendata.cz/ontology/domain/vavai/Projekt, within Data Space : linked.opendata.cz associated with source document(s)

AttributesValues
rdf:type
Description
  • In the current raise of interest in the research on gene relationship discovery from gene expression data by means of machine learning and data mining, logic-based relational machine learning (LBRML) algorithms receive little or no attention, which contrasts with their successes in related biological applications, their strong theoretical foundations, the availability of a plethora of implementations, and mainly the understandability and direct biological interpretability of their outputs. Their little penetration is due to the fact that in comparison to statistical approaches currently favored in this application field, LBRML exhibits insufficient robustness agains data imperfection, inefficiency in the attribute-rich genetic domains and insufficient uncertainty modeling features. We will eliminate these algorithmic defficiencies by incorporating probabilistic inference/representation techniques into LBRML and demonstrate experimentally its power in the gene relationship discovery. (en)
  • V současné vlně zájmu o objevování souvislostí z dat genové exprese prostředky strojového učení (SU) a data miningu nemají algoritmy relačního strojového učení založeného na logice (RSUZL) téměř žádnou pozornost, což kontrastuje s jejich dobrými výsledky v jiných biologických aplikacích, jejich silným teoretickým základům, dostupností implementací jejich rozmanitých algoritmů a zejm. srozumitelností jejich výstupů a možností je přímo biologicky interpretovat. Důvodem jejich nevyužití je, že oproti statistickým přístupům v této aplikační oblasti zatím preferovaným vykazují výše zmíněné algoritmy malou robustnost vůči chybám v datech, nízkou efektivitu v mnohaatributových genetických doménách a disponují nedostatečnými prostředky pro modelování neurčitosti. Tyto algoritmické nedostatky odstraníme implementací pravděpodobnostní inference a reprezentace do algoritmů RSUZL a experimentálně předvedeme jeho sílu v oblasti objevování souvislostí mezi geny. (cs)
Title
  • Logické strojové učení pro analýzu genomických dat (cs)
  • Logic-based machine learning for genomic data analysis (en)
http://linked.open...avai/druh-souteze
http://linked.open...domain/vavai/faze
http://linked.open...vavai/hlavni-obor
http://linked.open...vavai/id-aktivity
http://linked.open.../vavai/id-souteze
http://linked.open...n/vavai/kategorie
http://linked.open...vai/klicova-slova
  • machine learning; knowledge discovery in databases; inductive logic programming; gene expression data (en)
http://linked.open...nujicich-prijemcu
http://linked.open...avai/poskytovatel
http://linked.open...ai/statni-podpora
http://linked.open...vavai/typProjektu
http://linked.open...ai/uznane-naklady
http://linked.open...ai/pocet-prijemcu
http://linked.open...cet-spoluprijemcu
http://linked.open...ai/pocet-vysledku
http://linked.open...ku-zverejnovanych
is http://linked.open...ain/vavai/projekt of
Faceted Search & Find service v1.16.118 as of Jun 21 2024


Alternative Linked Data Documents: ODE     Content Formats:   [cxml] [csv]     RDF   [text] [turtle] [ld+json] [rdf+json] [rdf+xml]     ODATA   [atom+xml] [odata+json]     Microdata   [microdata+json] [html]    About   
This material is Open Knowledge   W3C Semantic Web Technology [RDF Data] Valid XHTML + RDFa
OpenLink Virtuoso version 07.20.3240 as of Jun 21 2024, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (126 GB total memory, 39 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software