Bölüm
Kanser Genom Atlas Verilerine Uygulamalarla Cox Orantılı Tehlikeler Modelinde Stokastik Gradyan Azalma Günlüğü Olasılık Tahmini
örneklerini şununla değiştirin: Marcin Kosiński
useR!2017: Stochastic Gradyan Azalma Günlüğü-Likeliho...
Son on yılda veri hacmi, işlemcilerin hızına göre daha hızlı artmıştır. Bu durumda istatistiksel makine öğrenme yöntemleri, hesaplama süresiyle veri kümelerinin hacminden daha sınırlı hale gelmiştir. Büyük ölçekli veriler söz konusu olduğunda risk altındaki çözümler, iyileştirme yöntemlerinin hesaplama karmaşıklığıyla ilişkilendirilir ve bu karmaşıklık önemsiz bir şekilde yapılmalıdır. Bu tür çözümlerden biri, büyük ölçekli veriler üzerinde yapılan işlemler sırasında yüksek verimlilik gösteren stokastik gradyan azalma (Bottou (2010), Bottou (2012), Widrow (1960)) tabanlı iyileştirme algoritmalarıdır.
Sunumumda katsayıların Cox oransal tehlikeler modelinin hesaplamalarının günlük olasılık tahmin işleminde uygulanan stokastik gradyan azalma algoritmasını açıklarım. Bu algoritma, açıklayıcı değişken sayısının gözlem sayısını önemli ölçüde aştığı olay çözümlemeleri zamanında başarılı bir şekilde kullanılabilir. Stokastik gradyan kullanımı ile katsayıların tahmin edilmesi için hazırlanan yöntem, klinik tanı, tedavi ve araştırmalarda yaygın olarak kullanılan moleküler biyoloji, gen ifadelerinin biyoinformatik taramaları veya DNA mikroarraylarına dayalı analizler gibi durumlardan sağkalım analizlerinde uygulanabilir.
Oluşturulan tahmin iş akışı, literatürde bilinmeyen yeni bir yaklaşımdı (yüksek lisans tezimi yazdığım zaman). Değişkenlerin birlikte doğrusallığı sorununa dayanıklıdır ve akış verileri için sürekli katsayı geliştirme durumlarında iyi çalışır.
useR!2017: Stochastic Gradyan Azalma Günlüğü-Likeliho...
Son on yılda veri hacmi, işlemcilerin hızına göre daha hızlı artmıştır. Bu durumda istatistiksel makine öğrenme yöntemleri, hesaplama süresiyle veri kümelerinin hacminden daha sınırlı hale gelmiştir. Büyük ölçekli veriler söz konusu olduğunda risk altındaki çözümler, iyileştirme yöntemlerinin hesaplama karmaşıklığıyla ilişkilendirilir ve bu karmaşıklık önemsiz bir şekilde yapılmalıdır. Bu tür çözümlerden biri, büyük ölçekli veriler üzerinde yapılan işlemler sırasında yüksek verimlilik gösteren stokastik gradyan azalma (Bottou (2010), Bottou (2012), Widrow (1960)) tabanlı iyileştirme algoritmalarıdır.
Sunumumda katsayıların Cox oransal tehlikeler modelinin hesaplamalarının günlük olasılık tahmin işleminde uygulanan stokastik gradyan azalma algoritmasını açıklarım. Bu algoritma, açıklayıcı değişken sayısının gözlem sayısını önemli ölçüde aştığı olay çözümlemeleri zamanında başarılı bir şekilde kullanılabilir. Stokastik gradyan kullanımı ile katsayıların tahmin edilmesi için hazırlanan yöntem, klinik tanı, tedavi ve araştırmalarda yaygın olarak kullanılan moleküler biyoloji, gen ifadelerinin biyoinformatik taramaları veya DNA mikroarraylarına dayalı analizler gibi durumlardan sağkalım analizlerinde uygulanabilir.
Oluşturulan tahmin iş akışı, literatürde bilinmeyen yeni bir yaklaşımdı (yüksek lisans tezimi yazdığım zaman). Değişkenlerin birlikte doğrusallığı sorununa dayanıklıdır ve akış verileri için sürekli katsayı geliştirme durumlarında iyi çalışır.
Geri bildirimde bulunmak ister misiniz? Burada bir sorun gönderin.