309283_de-DE

liliconcom

Maschinelles Lernen und Biomarker-Untergruppenanalyse für die Präzisionsmedizin

 

Sehen Sie, wie man:

• Grundlagen des maschinellen Lernens verstehen
  • Vergleichen Sie die Unterschiede zwischen der statistischen Modellierung anhand einer Datenstichprobe aus einer größeren Population und der algorithmischen Modellierung (maschinelles Lernen), bei der der Datenmechanismus unbekannt ist
• Verstehe 4 Arten von Modellen
  • Modelle, die unterschiedliche Algorithmen verwenden (Regression, baumbasierte Modelle, neuronale Netze)
  • Modelle, die unterschiedliche Parametereinstellungen verwenden (Rastersuche, Zufallssuche, genetische Algorithmen)
  • Modelle, die unterschiedliche Funktionen verwenden (Funktionsauswahl, Merkmalsextraktion, Merkmalstechnik)
  • Modelle, die Trainingssätze bereitstellen (Absacken, Boosten, 5-fache Kreuzvalidierung)
• Verstehen Sie die Verwendung der Subgruppenanalyse und die Verwendung der Subgruppenidentifikation (Finden der richtigen Patienten für ein bestimmtes Medikament) und der optimalen Behandlungsschemata (bestes Medikament für einen bestimmten Patienten).
• Verwenden Sie JMP Genomics
  • Vorhersage des Sepsis-Todes anhand von Daten, die bei Krankenhauseintritt erhoben wurden
  • Identifizierung differenzieller molekularer Expressionssignaturen für normales vs. Polypengewebe, die auf eine chemopräventive Therapie bei FAP zurückzuführen sind
  • Verwendung von Subgruppenanalysen, um klinische Maßnahmen oder Metaboliten-Biomarker zu finden, die diese aufweisen

• Ressourcen

  • Ein integriertes klinisch-metabolomisches Modell verbessert die Vorhersage des Todes bei Sepsis Fallstudie
  • verbunden JMP Erfolgsgeschichte Beschreibung der Verwendung von JMP Genomics für die überwiegende Mehrheit aller Analysen

 

 

 

31+ minFortgeschritteneGenomicsJMP beherrschenVideo