| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanās metožu lietojums mikrobioma atšķirību analīzei atkarībā no “H. Pylori” infekcijas |
| Nosaukums angļu valodā |
Application of Machine Learning Methods for the Analysis of Microbiota Dissimilarity Depending on H. Pylori Infection |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Inese Poļaka |
| Recenzents |
Dr. sc. ing. Sigita Misiņa |
| Anotācija |
Kuņģa un zarnu mikrobiomam ir liela ietekme uz cilvēka veselību. H. pylori baktērijas infekcija kuņģī ietekmē kuņģa vidi un, līdz ar to, arī mikrobiomu, kas var atsaukties arī uz zarnu mikrobiomu. Darbs tika izstrādāts, lai novērtētu, kā dažādas mašīnmācīšanās metodes klasificē H. pylori pozitīvo klasi no H. pylori negatīvās klases un noteiktu, vai šīs metodes ir piemērotas šādai klasifikācija un lai noteiktu H. pylori ietekmi uz kuņģa un zarnu mikrobiomu. Darba uzdevumos ietilpa problēmas analīze, literatūras izpēte, mikrobioma datu pirmapstrāde Qiime2 vidē, mašīnmācīšanās metožu izvēle un pielietošana iegūtajos datos un rezultātu analīze un interptetācija. Analizējot rezultātus tika novērots, ka mašīnmācīšanās metodes klasificē pozitīvo no negatīvās klases pietiekami labi, jo precizitāte pārsniedza 67%. Tādēļ tika secināts, ka tās varētu pielietot mikrobioma pētījumos. |
| Atslēgas vārdi |
mašīnmācīšanās,klasifikācija,metodes,helicobacter,mikrobioms |
| Atslēgas vārdi angļu valodā |
machine learning, classification, methods, helicobacter, microbiome |
| Valoda |
lv |
| Gads |
2020 |
| Darba augšupielādes datums un laiks |
10.06.2020 17:49:14 |
