Galleria
Playlist immagini
Gruppi
Unisciti a un gruppo
Acquisizione
Nuovo oggetto
Mappe concettuali
Gestione
Tabelle (CRUD generico)
Ricerca tag
Elaborazioni
Somma di prova
Sistema
Impostazioni
Esci
☰
Oggetti
LOGISTAR
LMP
ospite
⋮
Profilo utente
Preferenze colonne
Guida programma
Segnala anomalia
Cambia utente
⌂
💾 Salva
↻ Aggiorna
☑ Lista
🏷 Righe
Id
Descrizione
dta reg (aaaa-mm-gg)
Body
<p>La genomica `e la disciplina che si occupa della struttura, sequenza, funzione<br />ed evoluzione del genoma, cio`e dell’informazione genetica contenuta nel DNA<br />presente nelle cellule di una particolare specie. Avendo a disposizione enormi<br />quantit`a di dati per l’uomo diventa difficile poterli analizzare tutti e riuscire<br />fare deduzioni su di essi. Perci`o fin dai primi anni di ricerca, in questa<br />branca della biologia, si `e resa fondamentale l’informatica per l’elaborazione<br />e la visualizzazione dei dati che produce, tanto da poter affermare che si basa<br />sulla bioinformatica. Con l’accrescere dei dati raccolti dalle ricerche, `e nata<br />la necessit`a di catalogarli in modo ordinato all’interno di enormi database.<br />Sono molteplici i progetti avviati con questo scopo, uno dei principali `e Gene<br />Ontology che mantiene e sviluppa un vocabolario controllato, e annota e<br />diffonde dati riguardanti i geni e le loro funzioni.<br />`E qui che entra in gioco il machine learning: grazie ai dati raccolti fino<br />ad ora sulle funzioni biologiche svolte dai prodotti dei geni, e ai metodi<br />introdotti dal machine learning come gli algoritmi supervisionati e le reti<br />neurali, `e ormai possibile aiutare la ricerca direzionando gli scienziati nelle<br />analisi e negli esperimenti da provare, utili per scoprire e confermare nuove<br />correlazioni tra geni e funzioni biologiche. Inoltre, essendo tutti gli organismi<br />legati dal punto di vista evolutivo, e quindi con un genoma pi`u o meno simile,<br />`e possibile trasferire le conoscenze apprese da uno di essi ad un altro: questo<br />`e ci`o che si intende per ”Transfer Learning Inter-Organismo”. In questa tesi<br />verranno sfruttate le reti neurali per trasferire queste conoscenze, proponendo<br />due metodologie differenti: una utilizza la struttura degli autoencoder, l’altra<br />invece crea classificatori differenti per ogni valore da predire usando il deep<br />learning.<br /> </p>
tipo ogg.
cat
subcat
proprietario
azienda
ute
selez1
op1
codart
codice
codclifor
motivo
url
email
tag
imgsrc
sunto_breve
sunto_medio
note
genoma (77.2%), sequencing (74.6%), genomica (71.9%), biobanca genomica (68.0%), ancestry (65.8%), genetica (62.7%), OGM (59.6%), trascrittomica (59.5%), gene (51.4%), bioinformatica (49.4%), epigenetica (46.0%), diagnostica (45.8%), biotecnologia (45.5%), generative (39.2%), mrna (37.7%), cellula (35.9%), gnoseologia (35.4%), ricerca (35.0%), biobanca (34.4%), analisi (34.1%)
keyscrape
Lista tag dell'oggetto (oggettag)
cod_tag
value
autoencoder
5
gen
5
genoma
5
nn
5
tesi
5
wpg
5
Lista delle righe dell'oggetto (oggettir)
tip_pro
cod_pro
descrizione
val_pro
pes_pro
---.