prikaz prve stranice dokumenta Predviđanje aktivnosti peptida modelom iterativnog učenja
  Preuzmi
PDF 16.64 MB
diplomski rad
Predviđanje aktivnosti peptida modelom iterativnog učenja
2021. urn:nbn:hr:190:575878
Polić, Romano
Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo
Katedra za programsku podršku

Citirajte ovaj rad

Polić, R. (2021). Predviđanje aktivnosti peptida modelom iterativnog učenja (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:575878

Polić, Romano. "Predviđanje aktivnosti peptida modelom iterativnog učenja." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:190:575878

Polić, Romano. "Predviđanje aktivnosti peptida modelom iterativnog učenja." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:190:575878

Polić, R. (2021). 'Predviđanje aktivnosti peptida modelom iterativnog učenja', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 26.11.2024., https://urn.nsk.hr/urn:nbn:hr:190:575878

Polić R. Predviđanje aktivnosti peptida modelom iterativnog učenja [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2021 [pristupljeno 26.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:575878

R. Polić, "Predviđanje aktivnosti peptida modelom iterativnog učenja", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:575878

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:575878
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPredviđanje aktivnosti peptida modelom iterativnog učenja
Naslov (engleski)Peptide activity prediction based on iterative learning model
AutorRomano Polić
MentorGoran Mauša (mentor)
Član povjerenstvaIvan Štajduhar (predsjednik povjerenstva)
Član povjerenstvaSandi Ljubić (član povjerenstva)
Član povjerenstvaGoran Mauša (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za računarstvo)
(Katedra za programsku podršku)
Rijeka
Datum i država obrane2021-07-14, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Moderna istraživanja u domeni kemije peptida iziskuju pouzdane modele predviđanja koji će olakšati proces eksperimentalne pripreme i dublje razumijevanje njihovih svojstava. Cilj ovog diplomskog rada je povećanje pouzdanosti takvih modela koji se grade na relativno malim skupovima podataka upotrebom tehnike iterativnog učenja. Izgrađena su dva modela od kojih se jedan zasnivao na jednostavnim neuronskim mrežama, a drugi na konvolucijskim 1D mrežama.. Rezultati provedenih analiza potvrdili su potencijal tehnike koja koristi podatke izvan domene primjene te dovodi do poboljšanja točnosti u rasponu od 1% do 35% u odnosu na tradicijski postupak.
Sažetak (engleski)
Modern research in the field of peptide chemistry requires reliable prediction models that will facilitate the process of experimental preparation and a deeper understanding of their properties. This thesis aims to increase the reliability of such models that are built on relatively small data sets using transfer learning. Two models were built, one based on simple neural networks and the other on convolutional 1D networks. The results of the conducted analyses confirmed the potential of the technique that uses data outside the domain of application and leads to an improvement in accuracy in the range from 1 % to 35 % compared to the traditional procedure.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:575878
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2023-10-24 10:27:45