Identifikacija tipova 1D-signala pomoću polu-nadziranog dubokog učenja

Sažetak na hrvatskom: U okviru ovog rada, predložili smo metode za detekciju tipova grafova pokrivenosti na temelju polu-nadziranih modela dubokog učenja: autoenkodera i generativnih suparničkih mreža. Testirali smo performanse svih modela koristeći bazu koja sadržava očitanja s više referentnih gen...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:50220/Details
Glavni autor: Šebrek, Tomislav (-)
Ostali autori: Šikić, Mile (Thesis advisor)
Vrsta građe: Drugo
Impresum: Zagreb, T. Šebrek, 2017.
Predmet:
LEADER 02429na a2200229 4500
003 HR-ZaFER
008 160221s2017 ci ||||| m||| 00| 0 en d
035 |a (HR-ZaFER)ferid5164 
040 |a HR-ZaFER  |b hrv  |c HR-ZaFER  |e ppiak 
100 1 |a Šebrek, Tomislav 
245 1 0 |a Identifikacija tipova 1D-signala pomoću polu-nadziranog dubokog učenja :  |b diplomski rad /  |c Tomislav Šebrek ; [mentor Mile Šikić]. 
246 1 |a Classification of 1D-Signal Types Using Semi-Supervised Deep Learning  |i Naslov na engleskom:  
260 |a Zagreb,  |b T. Šebrek,  |c 2017. 
300 |a 54 str. ;  |c 30 cm +  |e CD-ROM 
502 |b diplomski studij  |c Fakultet elektrotehnike i računarstva u Zagrebu  |g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2017-06-29, datum završetka: 2017-07-10 
520 3 |a Sažetak na hrvatskom: U okviru ovog rada, predložili smo metode za detekciju tipova grafova pokrivenosti na temelju polu-nadziranih modela dubokog učenja: autoenkodera i generativnih suparničkih mreža. Testirali smo performanse svih modela koristeći bazu koja sadržava očitanja s više referentnih genoma. Ručno smo označili dio podataka i usporedili rezultate s obzirom na količinu označenih primjera koji su bili korišteni prilikom treniranja. Ovu detekciju smo ugradili u proces sastavljanja i dobili dobre rezultate. Izvorni kod je dostupan na https://github.com/tomislavsebrek/diplomski. 
520 3 |a Sažetak na engleskom: In this thesis, we proposed methods for detecting the type of the coverage graph based on semi-supervised deep learning models: autoencoders and generative adversarial networks. We evaluated the performance of each model based on the dataset that contained reads from multiple reference genomes. We have manually labeled some of the data and compared the results of all models with respect to the number of labeled examples that were used during the training process. We have embedded this detection in the assembly process and achieved good results. The source code is available at https://github.com/tomislavsebrek/diplomski. 
653 1 |a duboko učenje  |a autoenkoder  |a generativni suparnički model  |a polu-nadzirano učenje  |a graf pokrivenosti  |a kimerno očitanje  |a ponavljajuće očitanje 
653 1 |a deep learning  |a autoencoder  |a generative adversarial network  |a semi-supervised learning  |a coverage graph  |a chimeric read  |a repeat read 
700 1 |a Šikić, Mile  |4 ths 
942 |c Y 
999 |c 50220  |d 50220