20.500.12556/DKUM-73846 Avtomatsko načrtovanje in vrednotenje klasifikacijskih cevovodov v bioinformatiki Automatic design and valuation of classification pipelines in bioinformatics Izhodišča in namen: Velikokrat na bioinformatskih podatkih izvajamo klasifikacijo, tj. razvrščanje elementov, predstavljenih z značilnicami, v enega od vnaprej določenih razredov. Sam postopek klasifikacije je zelo kompleksen, saj sestoji iz preprocesiranja podatkov, izbire klasifikatorske metode in optimizacije hiperparametrov. Zaradi kompleksnosti vse tri omenjene korake združujemo v t. i. klasifikacijske cevovode, katere morajo uporabniki, ki niso specialisti na področju strojnega učenja, načrtovati ročno. Ta postopek je časovno zelo zapleten, v določenih primerih pa se ne uspemo približati optimalni rešitvi. Raziskovalna metodologija: Avtomatski razvoj in vrednotenje klasifikacijskih cevovodov smo donedavno reševali s pomočjo genetskega programiranja (angl. Genetic Programming, krajše GP), kjer posameznike predstavimo z drevesnimi strukturami. V tem magistrskem delu predlagamo novo rešitev za reševanje omenjenega problema s pomočjo stohastičnih populacijskih algoritmov po vzorih iz narave, kjer so posamezniki predstavljeni kot vektorji realnih števil. Rezultati: Rezultati na bioinformatskih podatkovnih množicah dokazujejo, da so stohastični populacijski algoritmi po vzorih iz narave enostavni za uporabo in hkrati učinkoviti za avtomatski razvoj klasifikacijskih cevovodov. Diskusija in zaključek: Ugotavljamo, da predlagana metoda omogoča uporabo poljubnega stohastičnega populacijskega algoritma po vzorih iz narave za avtomatsko načrtovanje klasifikacijskih cevovodov, kjer so posamezniki predstavljeni kot vektorji realnih števil. Purpose: Many times, we conduct classification on bioinformatics data, i.e. classifying elements represented by features into one of several predefined classes. The classification process is very complex because of performing many complex tasks, like preprocessing data, selecting the classifier method and hyperparameter optimization. Due to the complexity, all three steps are merged in so-called classification pipelines, where users who are not machine learning experts need to manage them manually. However, this process is very time-consuming, and does not ensure that the optimal solution for the particular pipeline is found. Methodology: Until now, an automatic development and evaluation of classification pipelines was performed using Genetic Programming (GP). In this master thesis, we propose a new method for solving the problem using stochastic population-based nature-inspired algorithms, where individuals are represented as real valued vectors. Results: The results on bioinformatic datasets demonstrate that stochastic population-based nature-inspired algorithms are user friendly, and effective for the automatic design of classification pipelines. Discussion and conclusions: We conclude that the proposed method enables the use of any stochastic population-based nature-inspired algorithm for the automatic design of classification pipelines, where individuals are represented as real valued vectors. algoritmi po vzorih iz narave AutoML diferencialna evolucija klasifikacija optimizacija nature-inspired algorithms AutoML Differential Evolution classification optimization true true false [I. Fister ml.] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2019-06-20 13:09:41 2019-08-16 08:27:41 2022-08-02 06:24:03 2019-12-10 07:55:40 2019 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.421(043.2) 2514084 URN:SI:UM:DK:HOKSZDLD MAG_Fister_Iztok_2019.pdf MAG_Fister_Iztok_2019.pdf 1 F2B51E724BE86486D4BAC0C733DCEF34 5763f02218e9ee3e36e54d18ac19877cedbda0ca84affa8ef56b79377384bab8 c9df6e64-7c10-11eb-bb7a-00155d0001ca 20.500.12556/dkum/b28dcadf-3fda-4bda-a3b9-f225a259f8fd https://dk.um.si/Dokument.php?lang=slv&id=135266 Fakulteta za zdravstvene vede 0 0 0