Vorhersage von DNA-Bindungsstellen mit generativen, diskriminativen und hybriden Lernverfahren

dc.contributor.author	Keilwagen, Jens
dc.contributor.editor	Hölldobler, Steffen
dc.date.accessioned	2020-08-21T08:46:18Z
dc.date.available	2020-08-21T08:46:18Z
dc.date.issued	2011
dc.description.abstract	Probabilistische Modelle werden heutzutage aufgrund ihrer Flexibilität in vielen Bereichen zur Modellierung und Klassifikation von anfallenden Daten genutzt. Von entscheidender Bedeutung ist neben der Wahl des entsprechenden Modells auch die Wahl des Lernverfahrens, welches die Modellparameter aus gegebenen Daten inferriert. Häufig wird dieser Aspekt völlig aus den Augen gelassen, obwohl er sehr viel Potenzial birgt. In der vorgelegten Dissertation wird u.a. ein verallgemeinertes Lernverfahren vorgestellt und auf biologische Daten angewendet. Die objektorientierte und quelloffene Implementierung ermöglicht eine Vielzahl weiterer Anwendungen und Erweiterungen.	de
dc.identifier.isbn	978-3-88579-415-8
dc.identifier.pissn	1617-5468
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/33759
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik
dc.relation.ispartof	Ausgezeichnete Informatikdissertationen 2010
dc.relation.ispartofseries	Lecture Notes in Informatics (LNI) - Dissertations, Volume D-11
dc.title	Vorhersage von DNA-Bindungsstellen mit generativen, diskriminativen und hybriden Lernverfahren	de
gi.citation.endPage	140
gi.citation.publisherPlace	Bonn
gi.citation.startPage	131

Dateien

1 - 1 von 1