|
|
Development of workflow for quality control of mass spectrometry data in KNIME environment
Schneiderová, Anna ; Zezula, Nikodém (referee) ; Potěšil,, David (advisor)
Proteomic experiment using liquid chromatography and mass spectrometry is a complex technique with multiple variables that can affect the quality of output data. Data quality control and instrument status monitoring are therefore essential for high quality data acquisition. Designed workflow, implemented within the KNIME environment, allows systematic and automatic data quality control. The workflow allows to obtain and record selected quality control metrics which could be used to ascertain data variability and prevent technical problems.
|
|
|
Methods for Predicting Drug Side Effects in Silico
Cicková, Pavlína ; Lexa,, Matej (referee) ; Berka,, Karel (referee) ; Provazník, Ivo (advisor)
Vývoj a výzkum léčiv je oblastí současné vědy, jejíž nedílnou součástí je i využití výpočetních metod. Z důvodu nákladnosti a časové náročnosti laboratorních přístupů, metody in silico sehrávají svou významnou roli. I přes rychlý vývoj výpočetních technik využívaných při vývoji léků, však není drtivá většina zkoumaných molekul v procesu vývoje úspěšná a do schvalovací fáze nepostoupí. Nejen proto se nejmodernější strategie návrhu potenciálních nových léčiv zaměřují na opětovné zkoumání již schválených léků a berou do úvahy i analýzu podobností. Tato práce popisuje vývoj a aplikaci souboru několika workflow, jež byl vytvořen v rámci analytické platformy KNIME a jež implementuje metody strojového učení za účelem predikce nežádoucích účinků léčiv. Součástí prezentovaných workflow je získání dat, jejich předzpracování, výpočet metrik podobností a provedení explorační analýzy. Následně je využito klasifikačních modelů k predikci specifických nežádoucích účinků léčiv. Tato predikce vychází z principů technik založených na podobnosti. K natrénování modelů rozhodovacích stromů pro predikci potenciální asociace nežádoucích účinků s léčivy byly využity strukturní a jiné podobnosti schválených molekul léčiv. Hlavní přínos práce spočívá především v přenositelnosti použitých metod. Soubor workflow je určen k využití jako vhodný nástroj k řešení výzkumných otázek ohledně podobnosti léčiv a jelikož analytická platforma KNIME poskytuje uživatelsky přívětivé grafické rozhraní, není nutné, aby měli uživatelé pokročilé zkušenosti v oblasti strojového učení nebo programování, aby mohli soubor navržených workflow v rámci této platformy pro své analýzy využít.
|
|
|
Development of workflow for quality control of mass spectrometry data in KNIME environment
Schneiderová, Anna ; Zezula, Nikodém (referee) ; Potěšil,, David (advisor)
Proteomic experiment using liquid chromatography and mass spectrometry is a complex technique with multiple variables that can affect the quality of output data. Data quality control and instrument status monitoring are therefore essential for high quality data acquisition. Designed workflow, implemented within the KNIME environment, allows systematic and automatic data quality control. The workflow allows to obtain and record selected quality control metrics which could be used to ascertain data variability and prevent technical problems.
|
|
|
Data Mining for Effective Customer Communication
Madhi, Simona ; Šperková, Lucie (advisor) ; Novotný, Ota (referee)
The aim of this paper is to describe and illustrate benefits of using Data Mining for effective customer communication. The objective is to perform a Data Mining analysis in order to achieve results with potentially beneficial influence on the company s relationship with its customers, while using the KNIME Analytics Platform tool. The paper introduces the theoretical aspect of Customer Relationship Management, Data Mining and the opportunities of using Data Mining to improve CRM; followed by a market analysis of available Data Mining tools and the introduction of the KNIME Analysis Platform. Furthermore, the knowledge thus reached is used for the performance of real data analysis with the aim of reaching customer knowledge that would be appropriate to use within CRM strategy and finally to positively influence the value of customer relationships.
|
|
|
Porovnání nekomerčních nástrojů pro dolování znalosti z dat pomocí strojového učení
Ondrejka, Petr
This diploma thesis concerns with features and abilities of chosen software tools for data mining. An important part is the selection and evaluation of each criteria by which the comparison of tools is done. The basic issues of data mining and machine learning are determined here. The comparison criteria are chosen with consideration of the necessary operations that are required to realize the whole process of data mining. The criteria are evaluated on the same level of importance, without weighting. The most widely used algorithms for data mining are chosen for the comparison of time and memory demandingness. The result is the description of selected tools based on the comparison criteria and evaluation of these criteria. The comparison results must be understood with respect of testing data, chosen hardware, and the fact that no weighting was used.
|
guest ::
