Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
3. Objasnite generalnu arhitekturu mreža Deep Learning-a i problem koji se javlja kod
korištenja metode pada gradijenta (eng. gradient descent) kod “dubokih” mreža.
Arhitektura
1
4. Opišite arhitekturu i osobine Deep belief neuronskih mreža.
2
6. Opišite način na koji se arhitektura deep belief neuronskih mreža može proširiti.
Na opisane slojeve arhitekture dodati još jedan koji će raditi - supervizijsko učenje. U tom
slučaju, koristimo izlazni model koji se se sastoji od slojeva RBM (nesupervizijsko učenje) i na
njega primjenjujemo poznati model supervizijskog učenja u cilju dodatnog tuniranja rezultata.
Supervizijsko učenje se u tom slučaju radi na poznati način - metoda pada gradijenta (eng.
gradient descent) i lančanje unatrag (eng. back propagation)
Predavanje 9
1. Koji su ciljevi za razvoj sistema za poređenje performansi i optimizaciju metoda
segmentacije slike?
1. Razviti sistem koji će obezbijediti uvid u strukturu segmentacijskih metoda i povezati se sa
drugim alatima za segmentaciju (NucleusJ i Microscopy Imaging Browser-MIB) tako da se može
vršiti batch segmentacija velike količine 3D stack slika u jednom pipeline-u.
2. Postići zadovoljavajući nivo tačnosti segmentacije koristeći optimizaciju baziranu na
genetskim algoritmima sa adaptabilnim parametrima i sa dinamičkom procjenom kvalitete
segmentacije koja je kontrolisana fitness funkcijama baziranim na pojedinačnim, sumarnim i
kvadratnim metrikama.
3. Razviti hipotetske matematičke ground truth slike koje će imati preciznost sličnu ručno
segmentiranim ground truth slikama, bez nedostataka metoda ručne segmentacije.
3
3. Objasniti voter operator.
Kreira se za neparne brojeve matrice (0-1 tip). Vraca najvise ponavljan za svaki piksel u matrici.
Ako imamo n rezultata x1-xn, moramo ih sortirati u niz a1-an. Medijan je vrijednost iz gornjeg
seta, sortira se matrica po broju bijelih pixela i vraca se ona u sredini.
4
Parametri metoda GA-OFF line GA-IN line GA-OFF line GA-IN line
zasnovani za oprimizirani oprimizirani oprimizirani oprimizirani
znanju i vanjske parametri metoda parametri metoda parametri metoda parametri metoda
metrike sa field fitness sa field fitness sa field fitness sa field fitness
funkcijama i funkcijama i funkcijama i funkcijama i
vanjskim vanjskim vanjskim vanjskim
metrikama metrikama metrikama metrikama
Predavanje 10
1. Objasniti algoritam Fuzzy C-means clusteringa.
5
U čiji su elementi brojevi između 0 i 1 (uključivo 0 i 1), i predstavljaju stepen pripadnosti
podataka u odnosu na centre clustera.
Fuzzy C-Means (FCM) pristup: Ovdje, isti podatak ne pripada isključivo jednom dobro
definisanom clusteru, nego može bitit smješten na sredini između dva clustera A i B. U ovom
slučaju, funkcije pripadnosti slijede blago zakrivljene linije da indiciraju da svaki podatak može
pripadati i jednom i drugom clusteru s različitim vrijednostima funkcija pripadnosti.
6
7
4. Objasniti matlab funkciju Fuzzy clusteringa.
[CENTER, U, OBJ_FCN] = FCM(DATA, N_CLUSTER)
Ova naredba pronalazi N_CLUSTER broj klastera u skupu podataka DATA. DATA je velicine
MxN gdje je M broj točaka podataka, a N broj koordinata za svaku točku podataka.
U redovima matrice CENTER se vraćaju koordinate se za svaki centar klastera. Matrica funkcije
pripadnosti U, sadrži ocjenu pripadnosti svake tačke DATA u svakom klasteru. Na svakoj
iteraciji, funkcija cilja je minimizirana kako bi se pronašla najbolja lokacija za klastere i njene
vrijednosti se vraćaju u OBJ_FCN.
Predavanje 11
1. Definicija microarray ekspresije gena.
Nivo (jačina) ekspresije gena se odnosi na aktivnost jednog
gena u stvaranju proteina u okviru centralne dogme. Ovaj nivo
se procjenjuje mjereći količinu RNK, odnosno iRNK za
konkretan gen. Proizvodnja veće količine RNK, odnosno,
iRNK obično indicira veću aktivnost gena (jaču ekspresiju) u
okviru centralne dogme.
2. Objasniti microarray eksperiment.
Neka su geni od interesa raspoloživi kao DNK klonovi. Polymerase Chain Reaction (PCR) se
koristi da pojača svaki gen na dovoljan nivo u cilju omogućenja printanja na array (microarray
chip). Osnovno uparivanje nukleotida ili hibridizacija je temeljni princip DNK/RNK microarray-a.
A-T i G-C za DNK, A-U i G-C za RNK (Stvaranjem RNK, T prelazi u U, a,G i C ostaju isti)
8
0-1. DNK/RNK se izolira iz
referentne (kontrolne) ćelije i
testne (eksperimentalne) ćelije
2. cRNK se sintetizira iz svake
RNK populacije reverznim
procesom.
3. Rezultujuć cRNK-uzorci
(kontrolni i testni) se labeliraju
sa dvije različite fluoreccentne
boje i miješaju.
4. i hibridiziraju na ciljne DNK
koji se nalaze na microarray
chipu.
9
10
3. Zadatak - Ponašanje gena sa aspekta vremenskih, odnosno tretman uslova.
Microarray eksperimenti omogućavaju biolozima da spoznaju funkcije gena čak i onda kada su
tehnike sličnosti DNK sekvenci nedovoljne za spoznaju njihovih funkcija. Microarray-i mjere
aktivnost gena (nivo ekspresije gena) pod različitim stanjima/vremenskim trenucima.
11
5. Predstavljanje profila ekspresije gena i ekspresije uzorka kao vektora.
Do sada smo vidjeli kako individualne ćelije u matrici ekspresije gena mogu biti predstavljene.
Slično, profil ekspresije jednog gena ili profil ekspresije jednog uzorka mogu biti zamišljeni kao
vektori i mogu biti predstavljeni u prostoru vektora. Npr., jedan profil ekspresije gena se može
smatrati vektorom u n dimenzionalnom prostoru (gdje je n broj uslova), a jedan profil ekspresije
uzorka se može smatrati vektorom u m dimenzionalnom prostoru (gdje je m broj gena).
12
7. Objasniti prosječni profil ekspresije gena.
Average linkage algoritam se izvršava iterativno dok se svi geni ne uključe u jedan cluster. Na
taj način se formira drvo u kome terminalni čvorovi predstavljaju gene,a sve grane predstavljaju
različite clustere.
Zašto je nepovoljna microarray tabela za praćenje gena kad imamo apsolutno mjerenje?
Jer ne možemo da pratimo promjene u ekspresiji gena!
U slučaju apsolutnog mjerenja, svaka ćelija u matrici će predstavljati nivo ekspresije gena u
apsolutnim jedinicama. Napomena: Pošto je naš cilj da pratimo promjene u ekspresiji gena, nije
smisleno porediti nivoe ekspresije u apsolutnim jedinicama u dva različita uslova (Ci), jer za
svaki uslov (Ci) startujuća vrijednost broja može biti različita.
13
Predavanje 12
1. Definisati sequence alignment i šta se sve može uparivati?
Način aranžiranja sekvenci (DNK, RNK ili proteina) od dviju ili više vrsta u cilju identifikacije
regija sličnosti koje mogu biti posljedica funkcionalnih, strukturalnih ili evolucionih relacija
(srodstva) između sekvenci.
Pairwise Sequence Alignment (PSA) se koristi da se identifikuju regije sličnosti koje mogu
indicirati funkcionalne, strukturalne i/ili evolucione relacije između dvije biološke sekvence
koristeći po jedan par u svakom trenutku.
Multiple Sequence Alignment(MSA) jeste uparivanje tri ili više bioloških
Sekvenci.
Mogu se uparivati DNK, RNK, tRNK, iRNK, aminokiseline, proteini
14
Poravnavanje pokušava da upari jedan lanac s drugim pomjerajući taj lanac od kraja do kraja
drugog lanca.
Različite dužine lanaca Iste dužine lanaca:
Na prvi pogled bi izgledalo da bi se uvijek moglo koristiti lokalno uparivanje. Međutim, bilo bi
teško snimiti cjelokupnu sličnost. I kad bi izvršili poravnavanje domena s domenom od dva
lanca, opet bi trebalo spojiti sve te domene radi cjelokupnog pogleda na sličnost dva lanca. Alati
za lokalno uparivanje pronalaze jedan ili više domena koji opisuju najsličnije regije unutar
sekvenci koje poredimo.
5. Zadatak - poravnavanje.
15
Boduje se po: ključu, boji, kiselosti, bazičnosti, veličini, obliku
Predavanje 13
1. Objasniti biološku evoluciju?
Prvi odgovor na ovo pitanje se može pronaći u Charles Darwin-ovoj prirodnoj selekciji i
preživljavanja boljeg.
Drugi odgovor bi se mogao tražiti u Mendel-ovoj teoriji nasljednosti.
Treći odgovor bi se mogao dobiti od Fritza iz njegovih genetičkih istraživanja.
Četvrti odgovor bi se mogao saznati od Weismana iz individualnog varijabiliteta i polnih
elemenata.
16
Definicija:
Stohastički procesi koji djeluju na i unutar populacija i vrsta iz generacije u generaciju:
Reprodukcija, Mutacija, Natjecanje, Selekcija su glavni doprinos historiji života.
Zadatak genetike je da upoznaje i istražuje zakone prenošenja osobina koje mogu biti
morfološke, fiziološke, biohemijske i psihološke.
17
Druga klasifikacija:
18
6. Elementi GA?
1. Populacija (grupa) potencijalnih rješenja i broj generacija
2. Metod kodiranja potencijalnih rješenja u računarski razumljivu formu
3. Fitness funkcija
4. Operator selekcije
5. Operator ukrštanja
6. Operator mutacije
7. Metod zamjene populacija
8. Uvjet zaustavljanja
19
8. Kako se vrši računanje fitnesa za cvijet?
20
9. Objasniti operator selekcije?
21
Bira one hromozome u populaciji kojima će biti dozvoljeno da se reprodukuju. Metod je
jednostavan za implementaciju Obrađuje probleme maksimizacije Prerana konvergencija
22
12. Objasniti genetički operator ukrštanje na primjeru cvijeta?
UKRŠTANJE izmjenjuje pod-djelove od dva hromozoma, ugrubo oponašajući biološku
rekombinaciju između dva single-hromozom (haploid) organizma;
23
24