20.500.12556/RUL-85515 Globoko učenje na genomskih in filogenetskih podatkih Deep learning on genomic and phylogenetic data Metode globokega učenja v praksi dosegajo izjemne rezultate pri reševanju problemov na različnih področjih, med drugim tudi v genomiki. V diplomski nalogi smo se ukvarjali z razvrščanjem genskih zaporedij bakterij v taksonomske razrede. Cilj je bil zgraditi model, ki bo znal bakterijo na podlagi zaporedja njenega gena 16S rRNA razvrstiti v pravo deblo, razred, red, družino in rod. Z uporabo metod globokega učenja smo zgradili več klasifikacijskih modelov in vrednotili njihovo uspešnost na podlagi klasifikacijske točnosti in mere F1. Med seboj smo primerjali konvolucijske nevronske mreže, preproste rekurenčne nevronske mreže, dvosmerne rekurenčne nevronske mreže, kombinirane modele z rekurenčnimi in konvolucijskimi nevronskimi mrežami ter metodo naključnih gozdov. Eksperimente smo izvedli na dveh različno velikih množicah podatkov, preverili pa smo tudi, kako se modeli obnesejo pri klasifikaciji, če imajo na voljo le krajši del genskega zaporedja. Rezultati kažejo, da so za reševanje tovrstnih problemov najbolj primerne konvolucijske nevronske mreže. Deep learning methods have been achieving amazing results in solving a variety of problems in many different fields, a very important one of them being genomics. In the thesis, deep learning methods have been used to classify bacterial DNA sequences into taxonomic ranks. The goal was to build a classification model based on the bacteria's 16S rRNA sequence and classify a bacteria by phylum, class, order, family and genus. The performance of five different models has been compared in terms of accuracy and F1 score. A model with convolutional neural networks, simple recurrent neural network, bidirectional neural network, a hybrid model that combines convolutional and neural network and a model using random forests have been built. Two experiments have been conducted. In the first one classification was based on the whole sequence. In the second one only a small sequence fragment was used. We evaluated the performance of the models based on two datasets of different sizes. Results show that convolutional neural networks outperformed other models in all the cases. globoko učenje klasifikacija nevronske mreže deep learning classification neural networks true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2016-09-15 17:35:04 2016-09-15 17:35:05 2022-08-09 08:57:43 0000-00-00 00:00:00 2016 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 18356 Mrzelj_Nina_-_Globoko_ucenje_na_genomskih_in_filogenetskih_podatkih.pdf Mrzelj_Nina_-_Globoko_ucenje_na_genomskih_in_filogenetskih_podatkih.pdf 1 1295D0BD55A757638471575D297D9BBE 9a44eee1203b0d9244bf110f87934647ddc2a4a80148c3d0b3738d4a5b719e1f fcc394f0-a1b0-11eb-a523-00155dcfd717 20.500.12556/rul/b5538b15-b119-40eb-a4c0-3f69ba914f4d https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=88633 Fakulteta za računalništvo in informatiko 0 0 0