309283_de-DE

liliconcom

Maschinelles Lernen und Biomarker-Untergruppenanalyse für die Präzisionsmedizin

 

Sehen Sie, wie es geht:

• Verstehen Sie die Grundlagen des maschinellen Lernens
  • Vergleichen Sie die Unterschiede zwischen der statistischen Modellierung mit Datenstichproben aus einer größeren Population und der algorithmischen Modellierung (maschinelles Lernen), bei der der Datenmechanismus unbekannt ist
• Verstehen Sie 4 Arten von Modellen
  • Modelle, die verschiedene Algorithmen verwenden (Regression, baumbasierte Modelle, neuronale Netze)
  • Modelle, die unterschiedliche Parametereinstellungen verwenden (Gittersuche, Zufallssuche, genetische Algorithmen)
  • Modelle, die unterschiedliche Features verwenden (Feature Selection, Feature Extraction, Feature Engineering)
  • Modelle, die Trainingssets einsetzen (Bagging, Boosting, 5-fache Kreuzvalidierung)
• Verstehen Sie die Verwendung der Subgruppenanalyse und die Verwendung der Subgruppenidentifikation (finden Sie die richtigen Patienten für ein bestimmtes Medikament) und optimale Behandlungsschemata (das beste Medikament für einen bestimmten Patienten).
• Verwenden Sie JMP Genomics
  • Vorhersage des Todes durch Sepsis anhand von Daten, die bei der Aufnahme ins Krankenhaus erhoben wurden
  • Identifizierung unterschiedlicher molekularer Expressionssignaturen für normales vs. Polypengewebe, die einer Chemopräventionstherapiebehandlung bei FAP zuzuschreiben sind
  • Um Untergruppenanalysen zu verwenden, um klinische Maßnahmen oder Metaboliten-Biomarker zu finden, die auftreten

• Ressourcen

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

 

 

 

Vorhersagemodellierung und maschinelles Lernen