|
|
Vývoj workflow pro kontrolu kvality hmotnostně-spektrometrických dat v prostředí KNIME
Schneiderová, Anna ; Zezula, Nikodém (oponent) ; Potěšil,, David (vedoucí práce)
Proteomický experiment s využitím kapalinové chromatografie a hmotnostní spektrometrie je velmi komplexní technika s celou řadou proměnných, které mohou ovlivnit kvalitu výstupních dat. Průběžná kontrola kvality výstupních dat a stavu používané instrumentace je proto klíčová pro získání kvalitních dat. Pro systematickou a automatizovanou kontrolu kvality dat bylo navrženo workflow, které bylo následně implementováno v prostředí KNIME. Workflow umožňuje získat a zaznamenat vybrané metriky pro kontrolu kvality, které je možné využít ke sledování variability v datech a zachytit počínající technické problémy systému.
|
|
|
Methods for Predicting Drug Side Effects in Silico
Cicková, Pavlína ; Lexa,, Matej (oponent) ; Berka,, Karel (oponent) ; Provazník, Ivo (vedoucí práce)
Drug discovery is a field of contemporary science, which has encompassed the use of various computational methods. Wet lab approaches are costly and time-consuming and hence, in silico methods play an important role. Notwithstanding the progress of computational techniques applied in drug discovery in the last few decades, the great majority of the investigational compounds still do not succeed in reaching the final approval stage. Not only for this reason state-of-the-art drug design strategies focus on reinvestigating already approved drugs and drug similarity analyzes are crucial to consider. This work presents the development and application of a set of workflows created within the KNIME Analytics Platform which implements an approach using machine-learning methods for drug side effect prediction. The presented set of workflows deals with data retrieval, pre-processing, similarity metrics computation and data exploratory analysis. Consequently, classification models are applied to predict specific side effects of drugs. The prediction is based on similarity-based techniques. Structural and other similarities of approved drug molecules were used to train the decision tree models for the prediction of potential drug-side effect associations. The main advantage of the work is the re-usability of the applied techniques. Our set of workflows provides an environment allowing for new research questions in terms of drug similarity to be addressed. Moreover, as the workflows created within KNIME Analytics Platform provide a user-friendly graphical interface, users do not require any advanced experience in machine learning or programming to perform their studies using the designed workflows.
|
|
|
Vývoj workflow pro kontrolu kvality hmotnostně-spektrometrických dat v prostředí KNIME
Schneiderová, Anna ; Zezula, Nikodém (oponent) ; Potěšil,, David (vedoucí práce)
Proteomický experiment s využitím kapalinové chromatografie a hmotnostní spektrometrie je velmi komplexní technika s celou řadou proměnných, které mohou ovlivnit kvalitu výstupních dat. Průběžná kontrola kvality výstupních dat a stavu používané instrumentace je proto klíčová pro získání kvalitních dat. Pro systematickou a automatizovanou kontrolu kvality dat bylo navrženo workflow, které bylo následně implementováno v prostředí KNIME. Workflow umožňuje získat a zaznamenat vybrané metriky pro kontrolu kvality, které je možné využít ke sledování variability v datech a zachytit počínající technické problémy systému.
|
|
|
Data mining pro efektivní komunikaci se zákazníkem
Madhi, Simona ; Šperková, Lucie (vedoucí práce) ; Novotný, Ota (oponent)
Tématem této práce je ilustrace a vysvětlení přínosu data miningu pro efektivní komunikaci se zákazníkem. Cílem práce je provedení data miningové analýzy k dosažení výsledků potencionálně kladně ovlivňujících vztah organizace s jejími zákazníky, a to s využitím nástroje KNIME Analytics Platform. V práci je nastíněn teoretický podklad řízení vztahů se zákazníky, data miningu a využití data miningu pro zlepšení CRM, následovaný analýzou trhu s data miningovými nástroji a představení vybraného nástroje KNIME Analytics Platform. Dále následuje praktické využití poznatků při provádění analýzy reálných dat za cílem nalezení znalostí o zákaznících, které by byly využitelné pro implementaci v rámci CRM strategie a konečně pozitivního ovlivnění hodnoty vztahu se zákazníky.
|
|
|
Porovnání nekomerčních nástrojů pro dolování znalosti z dat pomocí strojového učení
Ondrejka, Petr
Diplomová práce se zabývá srovnáním vlastností a schopností vybraných softwarových nástrojů pro dolování z dat. Důležitou částí je stanovení a vyhodnocení jednotlivých kriterií, podle kterých se provádí srovnání nástrojů. Je zde vymezena základní problematika strojového učení a dolování z dat. Kriteria srovnání jsou vybrána na základě nezbytných operací nutných pro realizaci procesu dolování z dat. Kriteria jsou vyhodnocována rovnocenně, bez použití vah. Pro porovnání časové a prostorové náročnosti byly vybrány nejpoužívanější algoritmy pro dolování z dat. Výsledkem je popis vybraných nástrojů vycházející z kriterií srovnání a samotné vyhodnocení těchto kriterií. Výsledky srovnání je nutno chápat v závislosti na testovaných datech, zvoleném hardware a nepoužití vah při srovnání.
|
host ::
RSS.