Repozitorij samostojnih visokošolskih in višješolskih izobraževalnih organizacij

Izpis gradiva
A+ | A- | Pomoč | SLO | ENG

Naslov:Primerjalna študija metod strojnega učenja za modeliranje QSAR : magistrska naloga
Avtorji:ID Krivec, Matic (Avtor)
ID Panov, Panče (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_2024_Matic_Krivec.pdf (3,30 MB)
MD5: 3649D15B74B9DC0E364611C3BF14660E
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FIŠ - Fakulteta za informacijske študije v Novem mestu
Opis:Magistrska naloga predstavlja primerjalno analizo desetih različnih QSAR-algoritmov strojnega učenja, uporabljenih na desetih različnih QSAR-podatkovnih množicah, ob uporabi različnih molekulskih odtisov, da bi ocenili njihovo učinkovitost pri različnih značilnostih in velikostih podatkov. Glavni cilj je bil oceniti, kako izbira algoritma vpliva na natančnost in robustnost modelov pri napovedovanju biološke aktivnosti. Vsak algoritem je bil sistematično testiran z uporabo metrik, kot sta korelacijski koeficient (R²) in koren srednje kvadratne napake (RMSE) za ocenjevanje uspešnosti algoritmov strojnega učenja. Rezultati kažejo znatne razlike v delovanju modelov, kar poudarja, da značilnosti in velikost podatkovne množice ter izbira prstnih odtisov kritično vplivajo na napovedno uspešnost QSAR-modelov. Ta študija ponuja vpoglede v izbire algoritmov za raznolike aplikacije v odkrivanju zdravil ter potrjuje pomembnost značilnosti podatkovnih množic pri QSAR-modeliranju.
Ključne besede:QSAR, strojno učenje, molekulski odtisi, vrednotenje modelov, napovedno modeliranje
Kraj izida:Novo mesto
Kraj izvedbe:Novo mesto
Založnik:M. Krivec
Leto izida:2024
Leto izvedbe:2024
Št. strani:XV, 106 str.
PID:20.500.12556/ReVIS-11349 Novo okno
UDK:004.85(043.2)
COBISS.SI-ID:223151619 Novo okno
Opomba:Na ov.: Magistrska naloga : študijskega programa druge stopnje;
Datum objave v ReVIS:20.01.2025
Število ogledov:64
Število prenosov:1
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
  
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.

Sekundarni jezik

Jezik:Angleški jezik
Opis:This thesis presents a comparative analysis of ten different QSAR machine learning algorithms applied to ten diverse QSAR datasets, utilizing various molecular fingerprints, to evaluate their performance across varying data characteristics and sizes. The primary objective was to assess how the choice of algorithm influences model accuracy and robustness in predicting biological activity. Each algorithm was systematically tested using metrics such as correlation coeficient (R²) and root mean square error (RMSE) to measure predictive performance. The results demonstrate significant variations in model performance, highlighting that both the dataset's features and size, as well as the choice of the fingerprint, critically impact the efficacy of QSAR models. This study provides insights into algorithm selection for diverse applications in drug discovery and reinforces the importance of dataset characteristics in QSAR modeling.
Ključne besede:QSAR, machine learning, molecular fingerprints, model evaluation, predictive modeling


Nazaj