College aantekeningen

Aantekeningen hoorcollege 6: machine learning. Introduction to Bioinformatics

0 keer verkocht

Instelling
Vrije Universiteit Amsterdam (VU)

De aantekeningen van hoorcollege 6 over machine learning van het vak introduction to bioinformatics. Het document bevat duidelijke afbeeldingen. Verder is het overzichtelijk en duidelijk gemarkeerd.

[Meer zien]

Voorbeeld 2 van de 10 pagina's

Bekijk voorbeeld

Geupload op 14 februari 2024
Aantal pagina's 10
Geschreven in 2023/2024
Type College aantekeningen
Docent(en) Evert bosdriesz
Bevat Hoorcollege 6

bioinformatics
machine learning
unsupervised learning
supervised learning
hierarchical clustering
k means clustering
classification
regression
nearest mean classifier
nearest neighbor
overfitting
feat

Volgen

dboone264 Lid sinds 1 jaar 9 documenten verkocht

€4,48

Ook beschikbaar in voordeelbundel v.a. €15,49

In winkelwagen

Opslaan

100% tevredenheidsgarantie
Direct beschikbaar na je betaling
Lees online óf als PDF
Geen vaste maandelijkse kosten

Ook beschikbaar in voordeelbundel (1)

Introduction to Bioinformatics: alle hoorcollege aantekeningen

€ 22,40 € 15,49 5 items

1. College aantekeningen - Aantekeningen hoorcollege 6: machine learning. introduction to bioinformatics
2. College aantekeningen - Aantekeningen hoorcollege 5: dna sequencing. introduction to bioinformatics
3. College aantekeningen - Aantekeningen hoorcollege 4: transcriptomics / rna-sequencing . introduction to bioin...
4. College aantekeningen - Aantekeningen hoorcollege 3: alignments . introduction to bioinformatics
5. College aantekeningen - Aantekeningen hoorcollege 2: protein structures & sequence profiles . introduction to...
Meer zien

Introduction to bioinformatics
Hoorcollege 6 – 24 januari 2024
Machine learning
What is machine learning?
- Machine learning is a form of Artificial Intelligence
- Finding interesting patterns in “big data” using statistics.
o Machine learning is the study of computer algorithms that improve
automatically through experience. [...] Machine learning algorithms build a
model based on sample data, known as "training data", in order to make
predictions or decisions without being explicitly programmed to do so.
- Examples:
o Email filtering
o Speech recognition: (Alexa/Siri ect.)
o Those personalized add for sneaker that keep following you because you
bought a pair online once.

Example of machine learning: personalized medicine
- What makes patients similar to each other?
- Which patient should get which drug?
- Based on (molecular) profiling of patient

Unsupervised clustering reveals structure in the samples
Supervised learning reveals that good and poor prognosis patient have different gene
expression profiles
We can use this information to predict the outcome of new patients

Good prognosis  no need for chemo
Train to predict a model
Classification rule

, Unsupervised learning: discover interesting structure in the
data
- Clustering
- Dimensionality reduction: PCA, tSNE, UMAP
- Uses “unlabeled” data
o One have genes
o Label: yes of no …
o Unsupervised  no label

Two groups of patient, one low expressed and one high
expressed

Supervised learning: Make predictions on new data, given
training data:
- Classification & Regression
- Used “labeled” data (i.e. samples from healthy &
diseased patients)

Unsupervised machine learning: clustering
How?
- Hierarchical clustering
- K-means clustering
- Fuzzy clustering
Why?
- Are there subgroups of a disease? (e.g. multiple types of breast cancer, which require
different treatment)
Can we split the data meaningfully into different groups?
Do we find a pattern here?
Example data 2D, normally D is much larger (e.g. number of genes measured), but I can’t
draw that
There is no one correct answer. It’s not clear how many groups are here
Algorithm to put data into two groups

K-means clustering algorithm
Decide how many clusters you should have
This is not always straightforward
1. The algorithm starts by randomly assigning each of your observations to only one of
the k clusters.

Dit zijn jouw voordelen als je samenvattingen koopt bij Stuvia:

Bewezen kwaliteit door reviews

Studenten hebben al meer dan 850.000 samenvattingen beoordeeld. Zo weet jij zeker dat je de beste keuze maakt!

In een paar klikken geregeld

Geen gedoe — betaal gewoon eenmalig met iDeal, creditcard of je Stuvia-tegoed en je bent klaar. Geen abonnement nodig.

Direct to-the-point

Studenten maken samenvattingen voor studenten. Dat betekent: actuele inhoud waar jij écht wat aan hebt. Geen overbodige details!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.