|
|
Optimalizace zarovnání dat z next-generation sekvenování
Šalanda, Vojtěch ; Bendl, Jaroslav (oponent) ; Vogel, Ivan (vedoucí práce)
Tato práce přináší optimalizaci nástrojů pro zarovnání sekvenčních čtení, která jsou produktem sekvenačních technik druhé generace. Výsledné zarovnání existujících nástrojů lze ovlivnit různým nastavením parametrů. Za tímto účelem byl vytvořen optimalizační framework, který pomocí algoritmu diferenciální evoluce nalezne optimální nastavení zvolených parametrů. Cílem optimalizace je maximalizace přesnosti zarovnání. Funkčnost frameworku byla ověřena na datových sadách jak reálných, tak generovaných sekvenčních čtení. Díky přesnějšímu zarovnání lze získat přesnější podobu referenční sekvence pro navazující analýzy genetických vlastností.
|
|
|
Neuronové sítě a genetické algoritmy
Karásek, Štěpán ; Snášelová, Petra (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá evolučními a genetickými algoritmy a jejich možnou spoluprací při tvorbě a učení neuronových sítí. V teoretické části jsou popsány genetické algoritmy a neuronové sítě. Také jsou popsány možnosti jejich kombinace a je proveden přehled existujících algoritmů. V praktické části je popsána implementace algoritmu NEAT. Dále jsou s algoritmem NEAT provedeny experimenty a na základě jejich výsledků je navrhnuta kombinace algoritmu s diferenciální evolucí. Výsledky kombinace algoritmů jsou zhodnoceny. V závěru je algoritmus NEAT porovnán s klasickými učícími metodami backpropagation (pro dopředné neuronové sítě) a backpropagation through time (pro rekurentní neuronové sítě) a to z hledika rychlosti učení, kvality odezvy sítě i jejich závislosti na velikosti sítě.
|
|
|
Neuronové sítě a genetické algoritmy
Karásek, Štěpán ; Snášelová, Petra (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá evolučními a genetickými algoritmy a jejich možnou spoluprací při tvorbě a učení neuronových sítí. V teoretické části jsou popsány genetické algoritmy a neuronové sítě. Také jsou popsány možnosti jejich kombinace a je proveden přehled existujících algoritmů. V praktické části je popsána implementace algoritmu NEAT. Dále jsou s algoritmem NEAT provedeny experimenty a na základě jejich výsledků je navrhnuta kombinace algoritmu s diferenciální evolucí. Výsledky kombinace algoritmů jsou zhodnoceny. V závěru je algoritmus NEAT porovnán s klasickými učícími metodami backpropagation (pro dopředné neuronové sítě) a backpropagation through time (pro rekurentní neuronové sítě) a to z hledika rychlosti učení, kvality odezvy sítě i jejich závislosti na velikosti sítě.
|
|
|
Optimalizace zarovnání dat z next-generation sekvenování
Šalanda, Vojtěch ; Bendl, Jaroslav (oponent) ; Vogel, Ivan (vedoucí práce)
Tato práce přináší optimalizaci nástrojů pro zarovnání sekvenčních čtení, která jsou produktem sekvenačních technik druhé generace. Výsledné zarovnání existujících nástrojů lze ovlivnit různým nastavením parametrů. Za tímto účelem byl vytvořen optimalizační framework, který pomocí algoritmu diferenciální evoluce nalezne optimální nastavení zvolených parametrů. Cílem optimalizace je maximalizace přesnosti zarovnání. Funkčnost frameworku byla ověřena na datových sadách jak reálných, tak generovaných sekvenčních čtení. Díky přesnějšímu zarovnání lze získat přesnější podobu referenční sekvence pro navazující analýzy genetických vlastností.
|
host ::
RSS.