Klasifikacija očitanja koristeći metode dubokog učenja

Sažetak na hrvatskom: U okviru ovog rada, implementirali smo model dubokog učenja za kalsifikaciju očitanja u obliku jedno dimenzionalnog signala, koji se temelji na konvolucijskoj neuronskoj mreži. Provjerili smo performanse modela na setu podataka koji sadrži 5403 očitanja, gdje su sve klase jedna...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:51549/Details
Glavni autor: Relić, Borna (-)
Ostali autori: Šikić, Mile (Thesis advisor)
Vrsta građe: Drugo
Impresum: Zagreb, B. Relić, 2019.
Predmet:
LEADER 02382na a2200229 4500
003 HR-ZaFER
008 160221s2019 ci ||||| m||| 00| 0 hr d
035 |a (HR-ZaFER)ferid7268 
040 |a HR-ZaFER  |b hrv  |c HR-ZaFER  |e ppiak 
100 1 |a Relić, Borna  |9 40840 
245 1 0 |a Klasifikacija očitanja koristeći metode dubokog učenja :  |b završni rad /  |c Borna Relić ; [mentor Mile Šikić]. 
246 1 |a Read Classification Using Deep Learning Methods  |i Naslov na engleskom:  
260 |a Zagreb,  |b B. Relić,  |c 2019. 
300 |a 23 str. ;  |c 30 cm +  |e CD-ROM 
502 |b preddiplomski studij  |c Fakultet elektrotehnike i računarstva u Zagrebu  |g smjer: Programsko inženjerstvo i informacijski sustavi, šifra smjera: 39, datum predaje: 2019-06-14, datum završetka: 2019-07-12 
520 3 |a Sažetak na hrvatskom: U okviru ovog rada, implementirali smo model dubokog učenja za kalsifikaciju očitanja u obliku jedno dimenzionalnog signala, koji se temelji na konvolucijskoj neuronskoj mreži. Provjerili smo performanse modela na setu podataka koji sadrži 5403 očitanja, gdje su sve klase jednako zastupljene. Zbog tehničkih ograničenja rezultati implementiranog modela nisu bili kao što su očekivani, no model je pokazao vrlo dobre rezultate sa točnosti klasifikacije od 62%. Postoji prostor za poboljšanje modela od kojih je najbitnijis – povećanje složenosti neuronske mreže. Izvorni kod dostupan je na : https://github.com/Malza2805/ZavrsniRad 
520 3 |a Sažetak na engleskom: In this paper, we implemented deep learning model for detecting the class label of generated read based on convolutional neural network. We evaluated the performance of a model on a dataset that contains 5403 reads, with equal distribution amongst classes. Because of technical limitations the results of model performance isn't as expected, but model has shown very good results with accuracy of 62%. There are a few places to improve a model, with the most important one – increase of model complexity. The source code is available at : https://github.com/Malza2805/ZavrsniRad 
653 1 |a duboko učenje, strojno učenje, grafikon pokrivenosti, regularno očitanje, kimerno očitanje, ponavljajuće očitanje 
653 1 |a deep learning, machine learning, coverage graph, regular read, chimeric read, repeat read 
700 1 |a Šikić, Mile  |4 ths  |9 29535 
942 |c Z 
999 |c 51549  |d 51549