|
| |
|
|
The small sample size problem in gene expression tasks
Athanasiadis, Savvas ; Duintjer Tebbens, Erik Jurjen (vedoucí práce) ; Kalina, Jan (oponent)
Univerzita Karlova v Praze Farmaceutická fakulta v Hradci Králové Katedra biofyziky a fyzikální chemie Kandidát: Savvas Athanasiadis Školitel: Jurjen Duintjer Tebbens Název diplomové práce: The small sample size problem in gene expression tasks Práce se zabývá klasifikací genů do nádorových typů na základě je- jich genových expresí. Počet proměnných (aminokyselin), které mají být zk- oumány, je typicky velmi vysoký (v tisících), zatímco je drahé a časově náročné analyzovat velký počet genů; obvykle maximálně desítky z nich jsou k dispozici. Kombinace malého počtu vzorku s velkým počtem proměnných činí standardní metody statistické klasifikace nevhodnými. Práce se zaměřuje na modifikaci klasické metody klasifikace, Fisherova lineární diskriminační analýza, pro případ, kde počet vzorků je menší než počet proměnných. Navrhuje zlepšenou strategii pro testování této modi- fikace a to metodou křížové validace typu leave-one-out. Pomocí aktualizace zúčastněných kovariančních matic s maticemi nízké hodností, lze dosáhnout řádové snížení výpočetních nákladů v metodě křížové validace. Požadavky na paměť jsou též sníženy.
|
|
|
Bezmaticové předpodmínění
Trojek, Lukáš ; Duintjer Tebbens, Erik Jurjen (vedoucí práce) ; Tůma, Miroslav (oponent)
Tato diplomová práce se zaměří na téma bezmaticové předpodmínění lineárního systému. Práce uvede čtenáře stručně do oblasti iteračních metod, předpodmínění a bezmaticového prostředí. Důraz je pak kladen na podrobný popis varianty LU rozkladu, kterou lze provést bezmaticově a na novou s touto variantou spojenou techniku pro předpodmínění neúplnými LU faktory v bezmaticovém prostředí. Hlavní myšlenka spočívá v tom, že není vyžadováno uložení obou faktorů L a U a že uložený faktor lze vypočítat s nízkými paměťovými náklady. Práci uzavřeme numerickými experimenty demonstrující efektivitu navrhnuté techniky.
|
|
| |
|
|
Robustness of High-Dimensional Data Mining
Kalina, Jan ; Duintjer Tebbens, Jurjen ; Schlenker, Anna
Standard data mining procedures are sensitive to the presence of outlying measurements in the data. This work has the aim to propose robust versions of some existing data mining procedures, i.e. methods resistant to outliers. In the area of classification analysis, we propose a new robust method based on a regularized version of the minimum weighted covariance determinant estimator. The method is suitable for data with the number of variables exceeding the number of observations. The method is based on implicit weights assigned to individual observations. Our approach is a unique attempt to combine regularization and high robustness, allowing to downweight outlying high-dimensional observations. Classification performance of new methods and some ideas concerning classification analysis of high-dimensional data are illustrated on real raw data as well as on data contaminated by severe outliers.
|
|
| |
|
| |
|
| |
|
| |
|
| |
host ::
RSS.