Εφαρμογές μηχανικής μάθησης στην γονιδιωματική

Ουλάνη, Αικατερίνη; Oulani, Aikaterini

dc.contributor.advisor	Μπερσίμης, Σωτήριος
dc.contributor.advisor	Bersimis, Sotiris
dc.contributor.author	Ουλάνη, Αικατερίνη
dc.contributor.author	Oulani, Aikaterini
dc.date.accessioned	2024-04-03T05:57:27Z
dc.date.available	2024-04-03T05:57:27Z
dc.date.issued	2024-03
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16341
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3763
dc.description.abstract	Στο συνεχώς εξελισσόμενο τομέα της γονιδιωματικής, ο ρυθμός με τον οποίο αυξάνονται τα δεδομένα έχει φτάσει σε πρωτοφανείς ταχύτητες, εγκαινιάζοντας μία νέα εποχή για την υπολογιστική βιολογία. Αυτή η εκρηκτική αύξηση των γονιδιωματικών δεδομένων, η οποία τροφοδοτείται από την πρόοδο των τεχνολογιών αλληλούχισης DNA, προσφέρει τεράστιες δυνατότητες για την κατανόηση της πολυπλοκότητας της ζωής, από την ανακάλυψη των γενετικών αιτιών διαφόρων νόσων μέχρι την εφαρμογή εξατομικευμένων θεραπειών. Ωστόσο, η τεράστια εισροή αυτών των δεδομένων φέρνει στο φως μεγάλες προκλήσεις όσον αφορά την αποθήκευση, την ανάλυση και την ερμηνεία τους, γεγονός που απαιτεί καινοτόμες λύσεις που αξιοποιούν τις τελευταίες εξελίξεις στη μηχανική μάθηση και την επιστήμη των δεδομένων. Η παρούσα διπλωματική διερευνά τον κρίσιμο ρόλο της εφαρμογής τεχνικών μηχανικής μάθησης στον τομέα της γονιδιωματικής, αντιμετωπίζοντας τις πολυπλοκότητες και τον όγκο των δεδομένων που η παραδοσιακή ανάλυση δεν μπορεί να επεξεργαστεί αποτελεσματικά. Μέσα από μία ολοκληρωμένη μελέτη διάφορων στοιχείων και εννοιών που συνδέονται με τη γονιδιωματική και τη μηχανική μάθηση, καθώς και μέσω της μελέτης εφαρμογών που συναντώνται στη βιβλιογραφία αλλά και της δημιουργίας μίας προσαρμοσμένης εφαρμογής σε πραγματικά γονιδιωματικά δεδομένα, αυτή η διπλωματική εργασία επιδιώκει να συμβάλλει στη διαμόρφωση μίας ολοκληρωμένης εικόνας για τη σημασία της μηχανικής μάθησης στην εξερεύνηση και την εκμετάλλευση των γονιδιωματικών δεδομένων, ανοίγοντας τον δρόμο για περαιτέρω επιστημονικές ανακαλύψεις.	el
dc.format.extent	153	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Εφαρμογές μηχανικής μάθησης στην γονιδιωματική	el
dc.title.alternative	Applications of machine learning in genomics	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	In the rapidly evolving field of genomics, the rate at which data are growing has reached unprecedented speeds, marking a new era for computational biology. This explosive increase in genomic data, fueled by advances in DNA sequencing technologies, offers vast possibilities for understanding the complexity of life from uncovering the genetic causes of various diseases to the application of personalized treatments. However, the massive influx of these data brings to the surface major challenges in terms of storage, analysis and interpretation, requiring innovative solutions that leverage the latest developments in machine learning and data science. This thesis explores the critical role of applying machine learning techniques in the field of genomics by addressing the complexities and volume of data that traditional analysis cannot efficiently process. Through a comprehensive study of various elements and concepts associated with genomics and machine learning, as well as through the examination of applications found in the literature and the development of a customized application on real genomic data, this thesis aims to contribute to the formation of a comprehensive picture of the importance of machine learning in the exploration and exploitation of genomic data, paving the way for further scientific discoveries.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Genomics	el
dc.subject.keyword	Γονιδιωματική	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Endometrial cancer	el
dc.date.defense	2024-03-28

Αρχεία σε αυτό το τεκμήριο

Name:: Oulani_21036.pdf
Μέγεθος:: 3.175Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα