|
Hafta |
Konu |
Ön Hazırlık |
| 1) |
Biyoinformatiğe giriş, biyoinformatiğin kısa tarihçesi, biyoinformatikteki veritabanı uygulamaları, internet araç ve servisleri, örüntü analizi, enformasyon teorisinin biyoinformatiğe katkısı |
|
| 2) |
Makine öğrenmesine giriş, denetimli ve denetimsiz öğrenme, bedava öğle yemeği olmaz teoremi, çirkin ördek yavrusu teoremi, Occam'ın usturası, fazla oturma, meyil değişkenlik değiş tokuşu, çapraz doğrulama, çizme atkısı
|
|
| 3) |
Denetimsiz öğrenmeye giriş, olasılık yoğunluk kestirimi, histogram yöntemi, parametrik yöntem, parametrik olmayan yöntem: K-en yakın komşu yöntemi, çekirdek yöntemi |
|
| 4) |
Boyut küçültme, temel bileşen analizi, bağımsız bileşen analizi, çok boyutlu ölçekleme, Sammon algoritmasının gen verisine uygulanması |
|
| 5) |
Kümeleme analizi, hiyerarşik kümeleme, K-means kümeleme, belirsiz C-means, Gauss karışım modelleri, kümeleme algoritmalarının gen ifadesi verisine uygulanması |
|
| 6) |
Kendi kendine organize olan haritalar, vektör nicelemesi, SOM yapısı, SOM öğrenme algoritması, SOM yönteminin sınıflandırma amaçlı kullanılması, vektör nicelemesi ve SOM yöntemlerinin biyoinformatikteki uygulamaları |
|
| 7) |
Denetimli öğrenmeye giriş, genel kavram ve tanımlar, model değerlendirme, veri organizasyonu |
|
| 8) |
Sınıflandırma için Bayes kuralı, minimum hata oranı sınıflandırıcısı, ayrıştırıcı fonksiyonlar, Bayes inanç ağları |
|
| 9) |
Doğrusal ve ikinci dereceden diskriminant analizi, genelleştirilmiş diskriminant analizi, K en yakın komşu yöntemi ve gen veri analizine uygulanması |
|
| 10) |
Sınıflandırma ve ilişkilendirme ağaçları, bileşen yolak katılımının tahmini için CART metodu, rastgele orman yöntemi ve gen ifade profillerinin incelenmesi |
|
| 11) |
Özellik seçimi, yerleşik yöntem, lasso ilişkilendirmesi, yükselti ilişkilendirmesi, kısmi en küçük kareler algoritması, kapsamlı yöntem
|
|
| 12) |
Özellik seçimi (devam), deneyimsel yaklaşım, dikey en küçük kareler yaklaşımı, özellik seçimi kriteri: ilişki ölçütü, Fisher oranı ölçütü, müşterek bilgi ölçütü |
|
| 13) |
Özellik çıkarımı, biyolojik veri kodlaması: molekül dizileri, kimyasal bileşenler, dizi analizi |
|
| 14) |
Proje sunumları |
|
| Ders Notları: |
1. Machine Learning Approaches to Bioinformatics, Zheng Rong Yang, World Scientific Publishing Company, 2011.
|
| Diğer Kaynaklar: |
1. Data Mining for Bioinformatics, Sumeet Dua, CRC Press, 2013.
2. Bioinformatics: The Machine Learning Approach, Pierre Baldi and Soren Brunak, 2nd edition, MIT Press, 2001.
3. Pattern Recognition and Machine Learning, Christopher M. Bishop, 2nd printing edition, Springer, 2011.
4. Pattern Recognition, Sergios Theodoridis, Konstantinos Koutroumbas, Academic Press, 4th edition, 2008.
5. Introduction to Pattern Recognition: A Matlab Approach, Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras, Academic Press, 2010.
6. Pattern Classification, Richard O. Duda, Peter E. Hart, David G. Stork, 2nd edition, Wiley-Interscience, 2000.
|