Mikrosirut ja niiden data-analyysi
|
|
- Ella Salonen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mikrosirut ja niiden data-analyysi S Laskennallinen systeemibiologia 11. Luento: To Oppimistavoitteet Mikä on mikrosiru ja miten niitä tehdään Millaisia mikrosiruja on olemassa Kuinka mikrosiruista saatua dataa tarvittaessa normalisoidaan Kuinka geenejä klusteroidaan ja ryhmitellään erilaisilla menetelmillä 1
2 Motivointi Lähes kaikissa soluissa samat geenit Solujen ja kudosten erilaisuus johtuu geenien ilmentymisestä (ekspressiosta) eri tavalla eri soluissa ja kudoksissa ilmentymiseen vaikuttaa muun muassa: solusykli, kehitysvaihe, ympäristö, lämpötila, hormonit, sairaudet Geenijoukko, jonka ekspressio muuttuu samoissa olosuhteissa, jakaa todennäköisesti saman biologisen funktion tai säätelymekanismin DNA mikrosirutekniikka Mikrosirut mahdollistavat tuhansien geenien ekspressiotasojen samanaikaisen tarkkailun jokaisella geenillä oma paikkansa sirulla Siruilla verrataan tavallisesti kahta tai useampaa näytettä (esim. sairas ja terve kudos) Sovellusmahdollisuudet koskettavat lähes kaikkea biologista ja lääketieteellistä tutkimusta, lääkekehitystyötä ja diagnostiikka. 2
3 Erilaisia mikrosiruja 2 yleisintä sirujen valmistustekniikkaa geenien ekspression tarkkailuun: cdna oligonukleotidisirut muita siruja: SNP: sekvenssin variaation tarkkailuun ChIP-on-chip: proteeinin ja DNA:n interaktioiden tutkimiseen 3
4 cdna sirujen valmistus Siruilla verrataan tavallisesti kahta tai useampaa näytettä (esim. sairas ja terve kudos) 1. Testi- ja vertailunäytteestä eristetään lähetti-rna:t, jotka käännetään cdna:ksi (RNA:ta tarvitaan tyypillisesti 5-50 µg). 2. cdna leimataan kahdella fluoresoivalla väriaineella (esim. Cy3 ja Cy5) ja hybridisoidaan samanaikaisesti siruun 3. Hybridisaation jälkeen geenisiru luetaan laserpohjaisella mikroskoopilla =>saadaan kuvat sirun fluoresenssista kahdella eri aallonpituudella, jotka kuvaavat testi- ja vertailunäytteiden cdna jaksojen hybridisoitumista kussakin sirun testipisteessä. Oligonukleotidisirut Nykyisin suosittuja ns. oligonukleotideista (tyypillinen pituus emästä) valmistetut sirut Oligonukleotidi on lyhyt, synteettinen DNA-molekyyli, joka koostuu maksimissaan noin 150 nukleotidista. Oligonukleotideja kutsutaan myös oligoiksi, alukkeiksi, koettimiksi, primereiksi tai probeiksi. Sirut koostuvat mikroskooppilasille asetetuista tuhansista geenikoettimista Geenikoettimiin hybridisoidaan tutkimusnäytteen RNA:sta valmistettua komplementaarista DNA:ta (cdna), joka on leimattu biotiinillä Tarvitaan kaksi eri sirua testi- ja vertailunäytteelle Oligonukleotidisirutekniikan kehitti Affymetrix yritys Palo Altossa Uusimmat Affymetrix sirut kattavat geeniä, jotka syntetisoitu kahdelle eri sirulle (jokaista geeniä edustaa noin erillistä oligonukleotidiparia) Oligonukleotidien etu cdna klooneihin on se, että niillä on mahdollista tunnistaa yksittäinen geeni tai geenivariantti, jolloin pystytään tutkimaan esim. vaihtoehtoisen silmukoinnin merkitystä. 4
5 Oligonukleotidisirut Siruanalyysi 5
6 Biological question Experimental design Platform Choice Sample Attributes Microarray experiment 16-bit TIFF Files Image analysis (Rspot, Rbkg), (Gspot, Gbkg) Normalization Data Mining Clustering Statistical Analysis Pattern Discovery Classification Biological verification and interpretation Kuva-analyysi Kuvankeräysvaiheen jälkeen sirujen fluoresenssitasot mitataan kussakin sirun testipisteessä Testipisteestä vähennetään taustafluoresenssi ja pisteen informaatio muutetaan lukuarvoksi. Testi- ja vertailunäytteen väliset intensiteettierot normalisoidaan ja kullekin geenille saadaan punaisen ja vihreän värin (kanavan) suhde Taustan erottaminen joskus iso ongelma, esim alla: 6
7 Image analysis 7
8 Kanavien suhde Punaisen ja vihreän värin (kanavan) suhde kertoo geenin ilmentymisen vilkkaudesta testinäytteessä suhteessa vertailunäytteeseen Yleensä tutkimuksessa analysoidaan kymmeniä näytteitä, joiden tuloksia verrataan vertailunäytteisiin -> Analyysin lähtökohtana suhdeluvut, jotka saatetaan yleensä samanarvoisiksi esim. keskiarvon tai hajonnan tai näiden molempien suhteen. Tilastollisen analyysin tekee haastavaksi ns. laiha data (suuri ulottuvuus, vähän näytteitä) Image Analysis - Output Red Intensity R= (R spot R background ) Green Intensity G= (G spot G background ) Ratio = T = R G Log Ratio = log 2 (T) = log 2 R G Differential Expression Increased Expression Equal Expression Decreased Expression Log Ratio
9 Lineaarisuuden tarkastelu Yleensä normalisoinnin kannalta hyödyllistä tarkastella onko saatu data lineaarista vaiko epälineaarista: Lineaarinen data: Epälineaarinen data: Signaalin intensiteetti ei vaikuta suhdelukuun Signaalin intensiteetti vaikuttaa suhdelukuun (esim. Cy3 ja Cy5 kanavien intensiteetit eivät käyttäydy lineaarisesti) Lineaarisuus nähdään esim. seuraavien mittojen scatter plottina (M ja A): M = log2(r/g) A = log2 (R*G), missä R ja G ovat fluoresenssi-intensiteettejä punaisella ja vihreällä kanavalla. Normalisointi M M 0 A A 9
10 Lineaarisuus: kontrollien avulla Siruanalyysissä käytetään usein ns. kontrolleja, joilla arvioidaan tulosten hyvyyttä Lineaarisuus saadaan seuraavalla ns. värinvaihdolla (dye swap) selville: Alkuperäinen data: testi merkataan Cy5:llä ja vertailu Cy3:lla Värinvaihto: Vaihdetaan testin ja vertailun väriä Nyt kun tarkastellaan suhdelukua X(Cy-5)/Y(Cy 5)/Y(Cy-3) = X(Cy-3)/Y(Cy 3)/Y(Cy-5) sen pitäisi lineaaritilanteessa olla vakio. Normalisoinnissa tämä suhdeluku yritetään saattaa samanarvoiseksi sirulta toiselle. Normalisointi: paikallinen vs. kattava Normalisointi voidaan tehdä joko paikallisesti tai kattavasti (=koko sirukuvalle kerrallaan). Kattava normalisointi tehdään esim. lineaarisella regressiolla Paikallinen normalisointi tehdään yleensä ns. liukuvalla prosessointi-ikkunalla, jossa kullekin ikkunan keskipisteelle lasketaan uusi arvo ikkunan muiden pisteiden avulla (esim. mediaani, keskiarvo tms.) 10
11 Suodattaminen Suodattamisella pyritään poistamaan epämääräinen, jatkoanalyysiä häiritsevä data. Mikrosirukuvissa on lähes aina eri syistä johtuvia virheitä : Liian matalia intensiteettiarvoja Liian korkeita intensiteettiarvoja Havaitun pisteen muoto epänormaali Kuvassa esiintyy ylimääräisiä (outlier) pisteitä jne.. ESIM1: Tarkastellaan intensiteettihistogrammia ja pyritään määrittämään liian matalat ja korkeat intensiteettiarvot. ESIM2: Käytetään keinotekoista pistetemplaattia vertaamaan onko kuvassa pisteen muoto (pyöreä) halutunlainen. ESIM3: Outlier pisteet huomattavasti kapeampia kuin varsinaiset datapisteet. Tilastollisia jatkoanalyysejä Normalisoinnin ja suodattamisen jälkeen vuorossa varsinainen data-analyysi Erilaisia menetelmiä: Visualisointi: Pääkomponenttianalyysi (PCA), Itsejärjestyvä kartta, Monidimensionaalinen skaalaus (esim. Sammonin kuvaus), Ryhmittely: K-means, Itsejärjestyvä kartta, puuryhmittelijät, Luokittelu: mikä tahansa soveltuva luokittelija Jne Tilastollisen analyysin työkalu on valittava aina ongelmalähtöisesti: paras menetelmä annettuun tehtävään 11
12 Ohjaamaton Ryhmittely Ohjattu Clustering methods hierarchical clustering calculate distance matrix gene 1 gene 2 gene 3 gene 4 gene 1 0 gene gene gene calculate averages of most similar gene 1,2 gene 3 gene 4 gene 1,2 0 gene gene calculate averages of most similar gene 1,2 gene 3,4 gene 1,2 0 gene 3,
13 Clustering methods hierarchical clustering calculate distance matrix gene 1 gene 2 gene 3 gene 4 gene 1 0 gene gene gene calculate averages of most similar Dendrogram gene 1,2 gene 3 gene 4 gene 1,2 0 gene gene calculate averages of most similar gene 1,2 gene 3,4 gene 1,2 0 gene 3, BRAF WT BRAF MUT 13
14 K-means klusterointi Alussa geenit jaetaan satunnaisesti k:hon samankokoiseen ryhmään Lasketaan ryhmien keskipisteet Geenit asetellaan ryhmiin uudestaan siten, että geenin uusi ryhmä on lähimmän keskipisteen ryhmä Lasketaan uusien ryhmien keskipisteet Prosessia iteroidaan (jatketaan), kunnes ryhmien kokoonpano konvergoituu (ei enää muutu) Clustering methods K-means assign random clusters calculate cluster centroids repeat until convergence cluster to closest centroid cluster to closest centroid calculate cluster centroids 14
15 SOM Itseorganisoiva kartta (Self-organizing map) Suosittu neuroverkko- ja vektorikvantisointi menetelmä, joka perustuu ohjaamattomaan oppimiseen Taipumus säilyttää topologia => tehokas moniulotteisen datan visualisointikeino SOM:n rakenne: Koostuu useista elementeistä (units) yleensä 2D-ruudukolla Jokaisella unitilla on prototyyppivektori m, jota päivitetään opetuksen aikana Iteratiivinen: SOM:n opetus 1. Verrataan yhtä näytevektoria x kerrallaan kaikkiin prototyyppivektoreihin m 2. Etsitään lähintä prototyyppivektoria vastaava unit (best matching unit, bmu) 3. Siirretään bmu:ta ja sen lähimpiä topologisia naapureita naapurusfunktion mukaan kohti näytevektoria m i (t+1) = m i (t) + a(t) h ci (r(t)) [x(t) - m i (t)], naapurusfunktio voi olla esim. gaussinen r c -r i 2 tarkoittaa etäisyyttä bmu:n ja protyyppivektori i:n välillä 15
16 SOM:n opetus Opetus tyypillisesti kahdessa vaiheessa: 1. Alussa muodostetaan karkeasti oikea kartta naapuruston vaikutus oltava laaja, jotta ei pääsisi syntymään topologisia virheitä 2. Lopussa kartan konvergoituminen opetusparametreja pienennetään, jotta mahdollistetaan yksityiskohtaisempi oppiminen Clustering methods self organising maps 16
17 Clustering methods self organising maps repeat for each gene repeat until convergence Pääkomponenttianalyysi Tunnetaan myös Karhunen-Loeve muunnoksena Lineaarinen projektiomenetelmä Tavoitteet: - Datan dimensionaalisuuden pinentäminen - Menettää projektiossa vähiten informaatiota - Datan tiivistäminen ja esittäminen (visualisointi) Pääkomponentit määritellään alkuperäisen datan maksimivarienssien suuntaan Ei välttämättä ollenkaan hyvä ryhmittelymenitelmä 17
18 PCA 18
19 19
20 20
21 Pattern Discovery Projects into a new space e.g. 2 dimensional or 3 dimensional Use linear combinations of variables/dimensions that retain a large component of the original variation. Gene B Gene A 21
22 Pattern Discovery The major source of variation may not be the variation of biological interest Gene B Gene A Pattern Discovery 22
23 Mikrosirujen data-analyysissä muistettava mikrosiru datassa useita varianssin lähteitä muun muassa näytteen valmistelu, koettimen valinta, hybridisointi yksittäisille siruille, signaalin mittaus => otettava huomioon koesuunnittelussa ja data-analyysissä mitataan mrna tasoa, joka riippuu myös transkription vauhdista ja mrna:n hajoamisesta mikrosirujen rajoituksia geeninsäätelyn tutkimiseen: translaatio, proteiinien kuljetus solussa, proteiinien laskostuminen aktiivisiksi käytetään mikrosirujen lisäksi proteomiikkaa yksittäisten proteniinien määrien ja modifikaatioiden tutkimiseen 2D elektroforeesi massaspektrometria Future Trends New data mining tools surfacing Probabilistic methods Bayesian approaches Bigger datasets becoming available Links between expression patterns and clusters and regulatory mechanisms and function Prediction of regulatory networks 23
DNA mikrosirutekniikka. Oligonukleotidisirut. Sirujen valmistus. Siruanalyysi. Oligonukleotidisirut
DNA mikrosirutekniikka Monta nimeä: geenisiru, DNA mikrosiru, DNA siru, DNA lastu Mahdollistaa tutkia samanaikaisesti kymmenien tuhansien geenien ilmenemistasot solu- ja kudosnäytteissä Pystyy keräämään
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotGeeniekspressio: Mikrosirut. Geneettinen bioinformatiikka
Geeniekspressio: Mikrosirut Geneettinen bioinformatiikka Microarray Microarray is a compact device containing a very large number of capture molecules (synthetic oligos, PCR products, proteins, antibodies
LisätiedotBioteknologian perustyökaluja
Bioteknologian perustyökaluja DNAn ja RNAn eristäminen helppoa. Puhdistaminen työlästä (DNA pestään lukuisilla liuottimilla). Myös lähetti-rnat voidaan eristää ja muuntaa virusten käänteiskopioijaentsyymin
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotT-61.246 Digitaalinen signaalinkäsittely ja suodatus Tutkielma Signaalinkäsittely DNA-mikrosiruteknologiassa
T-61.246 Digitaalinen signaalinkäsittely ja suodatus Tutkielma Signaalinkäsittely DNA-mikrosiruteknologiassa Liisa-Ida Sorsa, 58714E Sisällysluettelo i SISÄLLYSLUETTELO 1JOHDANTO... 1 2BIOLOGIAA DNA-MIKROSIRUTEKNOLOGIALLA...
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotTEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)
JOHDATUS TEKOÄLYYN TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) KONEOPPIMISEN LAJIT OHJATTU OPPIMINEN: - ESIMERKIT OVAT PAREJA (X, Y), TAVOITTEENA ON OPPIA ENNUSTAMAAN Y ANNETTUNA X.
LisätiedotBiopankit miksi ja millä ehdoilla?
Suomalaisen Tiedeakatemian 100 v-symposium, Helsinki 4.9.2008 Biopankit miksi ja millä ehdoilla? Juha Kere Karolinska Institutet, Stockholm, Sverige ja Helsingin yliopisto Tautien tutkimus Geeni/ valkuaisaine
LisätiedotT DATASTA TIETOON
TKK / Informaatiotekniikan laboratorio Syyslukukausi, periodi II, 2007 Erkki Oja, professori, ja Heikki Mannila, akatemiaprofessori: T-61.2010 DATASTA TIETOON TKK, Informaatiotekniikan laboratorio 1 JOHDANTO:
LisätiedotBioteknologian tutkinto-ohjelma Valintakoe Tehtävä 3 Pisteet / 30
Tampereen yliopisto Bioteknologian tutkinto-ohjelma Valintakoe 21.5.2015 Henkilötunnus - Sukunimi Etunimet Tehtävä 3 Pisteet / 30 3. a) Alla on lyhyt jakso dsdna:ta, joka koodaa muutaman aminohappotähteen
LisätiedotDatanäytteiden piirteiden skaalaus/normalisointi (1)
Datanäytteiden piirteiden skaalaus/normalisointi (1) Datamassat, jotka syötetään samankaltaisuuksia useamman kuin yhden piirteen pohjalta hyödyntäviin koneoppimismenetelmiin, voivat tarvita esikäsittelykseen
LisätiedotDNA RNA proteiinit transkriptio prosessointi translaatio regulaatio
CELL 411-- replikaatio repair mitoosi meioosi fertilisaatio rekombinaatio repair mendelistinen genetiikka DNA-huusholli Geenien toiminta molekyyligenetiikka DNA RNA proteiinit transkriptio prosessointi
LisätiedotHiirten ja rottien sydännäytteistä tuotetun mikrosirudatan analysointi
Hiirten ja rottien sydännäytteistä tuotetun mikrosirudatan analysointi Tiedonlouhinnan harjoitustyö 9.6.2013 Antti Kurronen Irene Pöllänen antti.kurronen@student.uef.fi 1 YLEISKUVAUS (ANTTI KURRONEN) Tutkimuksessa
LisätiedotInferring Trichoderma reesei gene regulatory network
Inferring Trichoderma reesei gene regulatory network Oskari Vinko 29.04.2013 Ohjaaja: Merja Oja Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Ryhmittelyn perusperiaate Tästä lähdetään liikkeelle: Tähän pyritään: a b c bc d e f de def bcdef abcdef monimuuttujamenetelmiin,
LisätiedotOngelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida?
Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? 2 Tieto on koodattu aikaisempaa yleisemmin digitaaliseen muotoon,
LisätiedotTekstuurintunnistuksen lyhyt oppimäärä. Ts. pari tapaa erottaa tiiliseinä pensaasta.
Tekstuurintunnistuksen lyhyt oppimäärä Ts. pari tapaa erottaa tiiliseinä pensaasta. Mitä on tekstuuri? Vaikea määritellä, mutta: Pintakuvio Ornamentti tuntu kuviointi Miksi tämän pitäisi kiinnostaa? (Maantienmerkkausrobotti)
LisätiedotEkologiset ympäristöongelmat. 10. Geeniteknologia. BI5 II Geeniteknologia 4. Geenitekniikan perusmenetelmiä
Ekologiset ympäristöongelmat 10. Geeniteknologia Dna:n ja rna:n käsittely Eristäminen Puhdistaminen Lähetti-rna:t voidaan muuntaa niiden emäsjärjestystä vastaavaksi ns. komplementaariseksi dna:ksi (c-dna)
LisätiedotGeenisirutekniikka ja siihen liittyvä bioinformatiikka. Outi Monni, Sampsa Hautaniemi ja Olli Kallioniemi
Omiikka Geenisirutekniikka ja siihen liittyvä bioinformatiikka Outi Monni, Sampsa Hautaniemi ja Olli Kallioniemi Geenisirujen avulla voidaan tutkia samanaikaisesti kymmenien tuhansien geenien ilmentymistasot
LisätiedotKognitiivinen mallintaminen. Nelli Salminen
Kognitiivinen mallintaminen Neuraalimallinnus 24.11. Nelli Salminen nelli.salminen@tkk.fi Tällä kerralla ohjelmassa vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko oppimissääntöjen
LisätiedotJohdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]
Johdatus tekoälyyn Luento 6.10.2011: Koneoppiminen Patrik Hoyer [ Kysykää ja kommentoikaa luennon aikana! ] Koneoppiminen? Määritelmä: kone = tietokone, tietokoneohjelma oppiminen = ongelmanratkaisukyvyn
LisätiedotTällä kerralla ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus Kertausta: Perseptronin oppimissääntö
Tällä kerralla ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 19.2. Nelli Salminen nelli.salminen@helsinki.fi D433 vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko
LisätiedotGMO analytiikka Annikki Welling Kemian tutkimusyksikkö Evira
GMO analytiikka Annikki Welling Kemian tutkimusyksikkö Evira Millaisia GM kasvit ovat ja kuinka tätä käytetään hyväksi analytiikassa Aromaattisten aminohappojen biosynteesireitti kasvissa Kasvi tarvitsee
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
LisätiedotGenomi-ilmentyminen Genom expression (uttryckning) Nina Peitsaro, yliopistonlehtori, Medicum, Biokemia ja Kehitysbiologia
Genomi-ilmentyminen Genom expression (uttryckning) DNA RNA 7.12.2017 Nina Peitsaro, yliopistonlehtori, Medicum, Biokemia ja Kehitysbiologia Osaamistavoitteet Lärandemål Luennon jälkeen ymmärrät pääperiaatteet
LisätiedotLaskennallinen data-analyysi II
Laskennallinen data-analyysi II Ella Bingham, ella.bingham@cs.helsinki.fi Kevät 2008 Muuttujien valinta Kalvot perustuvat Saara Hyvösen kalvoihin 2007 Laskennallinen data-analyysi II, kevät 2008, Helsingin
LisätiedotDNA:n informaation kulku, koostumus
DNA:n informaation kulku, koostumus KOOSTUMUS Elävien bio-organismien koostumus. Vety, hiili, happi ja typpi muodostavat yli 99% orgaanisten molekyylien rakenneosista. Biomolekyylit voidaan pääosin jakaa
LisätiedotParetoratkaisujen visualisointi
Paretoratkaisujen visualisointi Optimointiopin seminaari - Kevät 2000 / 1 Esityksen sisältö Vaihtoehtoisten kohdevektorien visualisointi Arvopolut Palkkikaaviot Tähtikoordinaatit Hämähäkinverkkokaavio
LisätiedotChapter 7. Motif finding (week 11) Chapter 8. Sequence binning (week 11)
Course organization Introduction ( Week 1) Part I: Algorithms for Sequence Analysis (Week 1-11) Chapter 1-3, Models and theories» Probability theory and Statistics (Week 2)» Algorithm complexity analysis
LisätiedotOhjaamaton oppiminen. Marko Salmenkivi. Johdatus koneoppimiseen, syksy 2008
Ohjaamaton oppiminen Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko keskiviikolle 26.11.2008 Ohjaamaton oppiminen Mikä erottaa ohjatusta oppimisesta? Esimerkkejä Johdattelua ryvästämiseen
LisätiedotPeptidi ---- F ----- K ----- V ----- R ----- H ----- A ---- A. Siirtäjä-RNA:n (trna:n) (3 ) AAG UUC CAC GCA GUG CGU (5 ) antikodonit
Helsingin yliopisto/tampereen yliopisto Henkilötunnus - Biokemian/bioteknologian valintakoe Sukunimi 24.5.2006 Etunimet Tehtävä 3 Pisteet / 20 Osa 1: Haluat selvittää -- F -- K -- V -- R -- H -- A peptidiä
LisätiedotKognitiivinen mallintaminen Neuraalimallinnus, luento 1
Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Nelli Salminen nelli.salminen@helsinki.fi D433 Neuraalimallinnuksen osuus neljä luentokertaa, muutokset alla olevaan suunnitelmaan todennäköisiä
Lisätiedotepiteeli endodermi Nisäkkään hampaan kehitys nisäkkään alkio:
-mesenkyymi-vuorovaikutukset, esimerkkinä hammas ja ihokarva elimiä muodostuu kaikista alkiokerroksista, usein epiteelin ja mesenkyymin vuorovaikutuksesta epiteeli ektodermi kumpi aloittaa elimen kehityksen:
LisätiedotE. Oja ja H. Mannila Datasta Tietoon: Luku 2
2. DATASTA TIETOON: MITÄ DATAA; MITÄ TIETOA? 2.1. Data-analyysin ongelma Tulevien vuosien valtava haaste on digitaalisessa muodossa talletetun datan kasvava määrä Arvioita: Yhdysvaltojen kongressin kirjasto
Lisätiedot10. lokakuuta 2011 Basics of Multivariate Methods 2011 Laskuharjoitus 4: Itseorganisoituva kartta (SOM) ja Sammon-kartta
Nina Hänninen nhannine@student.uef.fi 10. lokakuuta 2011 Mikko Kolehmainen Basics of Multivariate Methods 2011 Laskuharjoitus 4: Itseorganisoituva kartta (SOM) ja Sammon-kartta 1 Johdanto Itseorganisoituva
Lisätiedot7. Normaalijakauma ja standardipisteet
33 7. Normaalijakauma ja standardipisteet Aiemmin olemme esittäneet joitakin variaabelin jakaumia histogrammien ja frekvenssipolygonien muodossa. Jos kuvittelemme, että mittaamme varsin tarkasti ja jatkuvaksi
LisätiedotPCR - tekniikka elintarvikeanalytiikassa
PCR - tekniikka elintarvikeanalytiikassa Listerian, Salmonellan ja kampylobakteerien tunnistus elintarvikkeista ja rehuista 29.11.2012 Eva Fredriksson-Lidsle Listeria monocytogenes Salmonella (spp) Campylobacter
LisätiedotKehitysbiologiassa käytetään lukuisia viekkaita kuvantamismenetelmiä
Kehitysbiologiassa käytetään lukuisia viekkaita kuvantamismenetelmiä Reportterigeenit ja reportterikonstruktiot? Monissa tilanteissa tarvitaan ilmaisinta (proobi, luotain, reportteri) kertomaan, mitä/missä/milloin
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Johdatus monimuuttujamenetelmiin Luennot 30.10.13.12.-18 Tiistaina klo 12-14 (30.10., BF119-1) Keskiviikkoisin klo 10-12 (MA101,
Lisätiedotmåndag 10 februari 14 Jaana Ohtonen Kielikoulu/Språkskolan Haparanda
GENETIIKKA: KROMOSOMI DNA & GEENI Yksilön ominaisuudet 2 Yksilön ominaisuudet Perintötekijät 2 Yksilön ominaisuudet Perintötekijät Ympäristötekijät 2 Perittyjä ominaisuuksia 3 Leukakuoppa Perittyjä ominaisuuksia
LisätiedotBioinformatics in Laboratory of Computer and Information Science
HELSINKI UNIVERSITY OF TECHNOLOGY LABORATORY OF COMPUTER AND INFORMATION SCIENCE Bioinformatics in Laboratory of Computer and Information Science Samuel Kaski Research Two centers of excellence of the
LisätiedotSimulointi. Varianssinhallintaa Esimerkki
Simulointi Varianssinhallintaa Esimerkki M C Esimerkki Tarkastellaan lasersäteen sirontaa partikkelikerroksesta Jukka Räbinän pro gradu 2005 Tavoitteena simuloida sirontakuvion tunnuslukuja Monte Carlo
LisätiedotLeo Lahti Vertaileva toiminnallinen genomianalyysi assosiatiivisella ryhmittelymenetelmällä
TEKNILLINEN KORKEAKOULU Teknillisen fysiikan ja matematiikan osasto Leo Lahti Vertaileva toiminnallinen genomianalyysi assosiatiivisella ryhmittelymenetelmällä Diplomi-insinöörin tutkintoa varten tarkastettavaksi
LisätiedotGEENITEKNIIKAN PERUSASIOITA
GEENITEKNIIKAN PERUSASIOITA GEENITEKNIIKKKA ON BIOTEKNIIKAN OSA-ALUE! Biotekniikka tutkii ja kehittää elävien solujen, solun osien, biokemiallisten menetelmien sekä molekyylibiologian uusimpien menetelmien
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3. luento 17.11.2017 Neuroverkon opettaminen (ohjattu oppiminen) Neuroverkkoa opetetaan syöte-tavoite-pareilla
LisätiedotMediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin
Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä
LisätiedotLuentorunko keskiviikolle Hierarkkinen ryvästäminen
Luentorunko keskiviikolle 3.12.2008 Hierarkkinen ryvästäminen Ryvästyshierarkia & dendrogrammi Hierarkkinen ryvästäminen tuottaa yhden ryvästyksen sijasta sarjan ryvästyksiä Tulos voidaan visualisoida
LisätiedotJohtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun
Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun Jouni Räisänen Helsingin yliopiston fysiikan laitos 15.1.2010 Vuorokauden keskilämpötila Talvi 2007-2008
LisätiedotSuccessive approximation AD-muunnin
AD-muunnin Koostuu neljästä osasta: näytteenotto- ja pitopiiristä, (sample and hold S/H) komparaattorista, digitaali-analogiamuuntimesta (DAC) ja siirtorekisteristä. (successive approximation register
LisätiedotKvantitatiivisen PCR:n käyttö mikrobivaurion toteamisessa
Kvantitatiivisen PCR:n käyttö mikrobivaurion toteamisessa Maria Valkonen, Kaisa Jalkanen, Martin Täubel, Anne Hyvärinen 31.3.2014 Sisäilmastoseminaari 2014 1 Tausta Asumisterveysoppaan mukaiset sisäympäristön
LisätiedotSynteettinen biologia Suomessa: Virukset synteettisen biologian työkaluina
Synteettinen biologia Suomessa: Virukset synteettisen biologian työkaluina Minna Poranen Akatemiatutkija Helsingin yliopisto FinSynBio-ohjelma Suomen Akatemia Virukset synteettisen biologian työkaluina
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotLAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä
Esri Finland LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä November 2012 Janne Saarikko Agenda Lidar-aineistot ja ArcGIS 10.1 - Miten LAS-aineistoa voidaan hyödyntää? - Aineistojen hallinta LAS Dataset
LisätiedotTrichoderma reesein geenisäätelyverkoston ennustaminen Oskari Vinko
Trichoderma reesein geenisäätelyverkoston ennustaminen Oskari Vinko 04.11.2013 Ohjaaja: Merja Oja Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
LisätiedotOligonukleotidi-lääkevalmisteet ja niiden turvallisuuden tutkiminen - Sic!
Page 1 of 5 JULKAISTU NUMEROSSA 3-4/2017 EX TEMPORE Oligonukleotidi-lääkevalmisteet ja niiden turvallisuuden tutkiminen Enni-Kaisa Mustonen / Kirjoitettu 18.12.2017 / Julkaistu Oligonukleotidit ovat nukleotideista
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
LisätiedotVIIKKI BIOCENTER University of Helsinki
VIIKKI BIOCENTER University of Helsinki Biologian DNA koodi ja sen selvittäminen Petri Auvinen DNA Sequencing and Genomics Laboratory Institute of Biotechnology Kuinka solut kehittyivät? Kolmenlaisia soluja
LisätiedotSovellusohjelmointi Matlab-ympäristössä: Vertaisverkon koneiden klusterointi
Sovellusohjelmointi Matlab-ympäristössä: Vertaisverkon koneiden klusterointi 28.4.2013 Annemari Auvinen (annauvi@st.jyu.fi) Anu Niemi (anniemi@st.jyu.fi) 1 Sisällysluettelo 1 JOHDANTO... 2 2 KÄYTETYT MENETELMÄT...
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotDatatähti 2019 loppu
Datatähti 2019 loppu task type time limit memory limit A Summa standard 1.00 s 512 MB B Bittijono standard 1.00 s 512 MB C Auringonlasku standard 1.00 s 512 MB D Binääripuu standard 1.00 s 512 MB E Funktio
LisätiedotTiedonlouhinta (kl 2013) Kurssin kuvaus. Esitiedot. Kurssin arvostelu
Tiedonlouhinta (kl 2013) Kurssin kuvaus 00 11 00 11 00 11 01 01 01 01 11000 111 11000 111 00 11 joko kandidaatti- tai maisteritason valinnainen kurssi Toteutus pääasiassa ongelmalähtöisesti (tiedonlouhintaprosessin
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotTiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen
Tiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen hannu.toivonen@cs.helsinki.fi 1 2 A 1 4 8 2 2 1 2 6 2 A 2 4 3 7 3 2 8 4 2 A 4 5 2 4 5 5 2 6 4 A 7 2 3 7 5 4 5 2 2 A 5 2 4 6
Lisätiedot7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
LisätiedotALGORITMIT & OPPIMINEN
ALGORITMIT & OPPIMINEN Mitä voidaan automatisoida? Mikko Koivisto Avoimet aineistot tulevat Tekijä: Lauri Vanhala yhdistä, kuvita, selitä, ennusta! Tekijä: Logica Mitä voidaan automatisoida? Algoritmi
Lisätiedotnaaraat < read.table('http://cs.joensuu.fi/pages/whamalai/dm13/naaraatvalikoitu.csv', head=t, sep=',')
naaraat < read.table('http://cs.joensuu.fi/pages/whamalai/dm13/naaraatvalikoitu.csv', head=t, sep=',') printf < function(...) { print(sprintf(...)) c_by_method < NULL # Listataan ne muuttujaparit, joilla
LisätiedotGenomin ilmentyminen Liisa Kauppi, Genomibiologian tutkimusohjelma
Genomin ilmentyminen 17.1.2013 Liisa Kauppi, Genomibiologian tutkimusohjelma liisa.kauppi@helsinki.fi Genomin ilmentyminen transkription aloitus RNA:n synteesi ja muokkaus DNA:n ja RNA:n välisiä eroja
LisätiedotNeuroverkkojen soveltaminen vakuutusdatojen luokitteluun
Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään
LisätiedotSisältö. Työn lähtökohta ja tavoitteet Lyhyt kertaus prosessista Käytetyt menetelmät Työn kulku Tulokset Ongelmat ja jatkokehitys
Loppuraportti Sisältö Työn lähtökohta ja tavoitteet Lyhyt kertaus prosessista Käytetyt menetelmät Työn kulku Tulokset Ongelmat ja jatkokehitys Työn lähtökohta ja tavoitteet Voimalaitoskattiloiden tulipesässä
LisätiedotLuku 2. Datasta tietoon: mitä dataa? mitä tietoa?
1 / 14 Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 31.10.2011 2 / 14 Tämän luennon sisältö
LisätiedotPotilasopas. 12 Mitä Genetiikan Laboratoriossa Tapahtuu?
12 Mitä Genetiikan Laboratoriossa Tapahtuu? ei halua, että hänen näytettään käytetään näihin tarkoituksiin. Kuten muutkin lääketieteelliset näytteet, DNA katsotaan osaksi potilaan potilasasiakirjoja, joten
LisätiedotPuheenkoodaus. Olivatpa kerran iloiset serkukset. PCM, DPCM ja ADPCM
Puheenkoodaus Olivatpa kerran iloiset serkukset PCM, DPCM ja ADPCM PCM eli pulssikoodimodulaatio Koodaa jokaisen signaalinäytteen binääriseksi (eli vain ykkösiä ja nollia sisältäväksi) luvuksi kvantisointitasolle,
LisätiedotTieteen ja tutkimusalan opintoihin hyväksyttävät opintojaksot ovat (taulukossa A= aineopinnot, S=syventävät opinnot, J = jatko-opinnot):
Fotoniikka = jatkoopinnot): Opintojakso Koodi (op) A/S/J 2017 Moderni biolääketieteellinen optiikka 3313005 4 J X Optinen mittaaminen sekä valmistusmenetelmät 3313004 4 J X Korkean teknologian kaupallistaminen
LisätiedotVASTAUS 1: Yhdistä oikein
KPL3 VASTAUS 1: Yhdistä oikein a) haploidi - V) ihmisen sukusolu b) diploidi - IV) ihmisen somaattinen solu c) polyploidi - VI) 5n d) iturata - III) sukusolujen muodostama solulinja sukupolvesta toiseen
LisätiedotDNA > RNA > Proteiinit
Genetiikan perusteiden luentojen ensimmäisessä osassa tarkasteltiin transmissiogenetiikkaa eli sitä, kuinka geenit siirtyvät sukupolvesta toiseen Toisessa osassa ryhdymme tarkastelemaan sitä, mitä geenit
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotLaskennallinen data-analyysi II
Laskennallinen data-analyysi II Saara Hyvönen, Saara.Hyvonen@cs.helsinki.fi Kevät 2007 Ulottuvuuksien vähentäminen, SVD, PCA Laskennallinen data-analyysi II, kevät 2007, Helsingin yliopisto visualisointi
Lisätiedot10. Esitys ja kuvaus
10. Esitys ja kuvaus Kun kuva on ensin segmentoitu alueisiin edellisen luvun menetelmin, segmentoidut pikselit kootaan esittämään ja kuvaamaan kohteita muodossa, joka sopii hyvin jatkokäsittelyä varten.
LisätiedotYhtäläisyydet selkärankaisten aivoissa, osa II. Niko Lankinen
Yhtäläisyydet selkärankaisten aivoissa, osa II Niko Lankinen Sisältö Neuroneille tyypilliset molekyylit Suoraa jatkoa Niinan esitykseen Alkion aivojen vertailua Neuromeerinen malli Neuromeerisen mallin
LisätiedotDiskriminanttianalyysi I
Diskriminanttianalyysi I 12.4-12.5 Aira Hast 24.11.2010 Sisältö LDA:n kertaus LDA:n yleistäminen FDA FDA:n ja muiden menetelmien vertaaminen Estimaattien laskeminen Johdanto Lineaarinen diskriminanttianalyysi
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotGeenitekniikan perusmenetelmät
Loppukurssikoe To klo 14-16 2 osiota: monivalintatehtäväosio ja kirjallinen osio, jossa vastataan kahteen kysymykseen viidestä. Koe on auki klo 14.05-16. Voit tehdä sen oppitunnilla, jolloin saat tarvittaessa
LisätiedotKuvaajien piirtäminen OriginPro9-ohjelmalla
Kuvaajien piirtäminen OriginPro9-ohjelmalla Helmikuu 2013 Jyväskylän yliopisto Fysiikan laitos Sisältö 1 Johdanto 3 2 Millainen on hyvä kuvaaja? 3 3 OriginPro9 peruskäyttö 4 3.1 Lineaarisen sovituksen
LisätiedotEsimerkkitehtäviä, A-osa
Esimerkkitehtäviä, A-osa MAB1, harjaantuu käyttämään matematiikkaa jokapäiväisen elämän ongelmien ratkaisemisessa Jussi myy torilla marjoja. Erään asiakkaan ostokset maksavat 8,65e. Asiakas antaa Jussille
LisätiedotVastaa lyhyesti selkeällä käsialalla. Vain vastausruudun sisällä olevat tekstit, kuvat jne huomioidaan
1 1) Tunnista molekyylit (1 piste) ja täytä seuraava taulukko (2 pistettä) a) b) c) d) a) Syklinen AMP (camp) (0.25) b) Beta-karoteeni (0.25 p) c) Sakkaroosi (0.25 p) d) -D-Glukopyranoosi (0.25 p) 2 Taulukko.
LisätiedotGeeniekspressioiden klusterointi
Geeniekspressioiden klusterointi Katja Saarela Katja.Saarela@cs.helsinki.fi Klusterointimenetelmät-seminaari Helsingin yliopisto, tietojenkäsittelytieteen laitos Raportti C-2002-54, s. 64-75, marraskuu
LisätiedotLaskuharjoitus 9, tehtävä 6
Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen
LisätiedotTilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotPuhesynteesin perusteet Luento 5: unit selection -synteesi
Puhesynteesin perusteet Luento 5: unit selection -synteesi Nicholas Volk 14.2.2008 Käyttäytymistieteellinen tiedekunta Idea Aitoa puhetta on tallennettu tietokantaan tuhansien äänteiden verran Jopa yksittäisen
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotParetoratkaisujen visualisointi. Optimointiopin seminaari / Kevät 2000 Esitelmä 11 Petteri Kekäläinen 45305L
Paretoratkaisujen visualisointi Optimointiopin seminaari / Kevät 2000 Esitelmä 11 Petteri Kekäläinen 45305L 1. Johdanto Monitavoiteoptimointitehtävät ovat usein laajuutensa takia vaikeasti hahmotettavia
LisätiedotME-C2400 Vuorovaikutustekniikan studio
Luent 22.11.2016 ME-C2400 Vurvaikutustekniikan studi Tilastanalyysiä (liittyen tehtävään 2A): Kuinka tarkkaa n viivan piirtäminen? Tapi Takala http://www.cs.hut.fi/~tta/ Input-menetelmän tutkiminen Kuinka
LisätiedotR intensiivisesti. Erkki Räsänen Ecitec Oy
R intensiivisesti Erkki Räsänen Ecitec Oy Päivän tavoitteet Yleinen perehdytys R:ään; miten sitä käytetään ja mitä sillä voi tehdä Ymmärrämme yleisimpiä analyysimenetelmiä ja osaamme tulkita tuloksia Madallamme
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
LisätiedotAjalliset muunnokset eksploratiivisen paikkatietoanalyysin työkaluna. Salla Multimäki ProGIS Ry Paikkatietomarkkinat
Ajalliset muunnokset eksploratiivisen paikkatietoanalyysin työkaluna Salla Multimäki ProGIS Ry Paikkatietomarkkinat 7.11.2017 Informaatiokuorma kognitiivinen kuorma - ylikuormitus Information load muodostuu
LisätiedotS Laskennallinen systeemibiologia
S-114.2510 Laskennallinen systeemibiologia 3. Harjoitus 1. Koska tilanne on Hardy-Weinbergin tasapainossa luonnonvalintaa lukuunottamatta, saadaan alleeleista muodostuvien eri tsygoottien genotyyppifrekvenssit
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa
Lisätiedot