❗️Для научных сотрудников в области биохимии, биофизики и биоинженерии, а также всех читателей, которым могут быть интересны направления работы ИБХФ РАН и полезны наши контакты:
🔹 В лаборатории математической биофизики Института биохимической физики им. Н.М. Эмануэля РАН разработаны методы машинного обучения для создания алгоритмов диагностики и прогнозирования по многопараметрическим базам данных. 🔸 В комплекс входят стандартные методы машинного обучения (градиентный и адаптивный бустинги, решающие деревья, метод опорных векторов, метод ближайших соседей, логистическая регрессия, линейный дискриминантный анализ, нейронные сети) и оригинальные методы, основанные на логико-статистической подходе (оптимально достоверные разбиения и статистически взвешенные синдромы). Из лучших методов при решении конкретной задачи классификации можно создавать ансамбль, достигая наилучших результатов распознавания. 🔹Предусмотрены 4 вида контроля: чистый контроль – на выборке, не участвовавшей в обучении, скользящий контроль (K-fold СV и Leave-one-out) и Монте-Карло. 🔸 Преимущество перед нейронными сетями: прозрачность решения, набор значимых показателей, вычисленных с помощью перестановочного теста, план действий по переводу объекта в благоприятный класс. Работа с методами не предусматривает знание программирования. 🔹 Возможно предсказание свойств химических соединений, такие задачи успешно решали с помощью наших методов. Может быть решена и задача QSAR (quantative structure activity relationship) - прогноз активности по химической формуле для малых выборок.
Лаборатория мат. биофизики предлагает коллегам из ИБХФ РАН и ФИЦ ХФ РАН сотрудничество и использование описанных выше подходов.
Контакты: 8 903 253 84 23
👩💻 Анна Викторовна Кузнецова, к.б.н.
#сотрудничество #ИБХФ #ИБХФРАН #предложение #наукаИБХФ
🔹 В лаборатории математической биофизики Института биохимической физики им. Н.М. Эмануэля РАН разработаны методы машинного обучения для создания алгоритмов диагностики и прогнозирования по многопараметрическим базам данных. 🔸 В комплекс входят стандартные методы машинного обучения (градиентный и адаптивный бустинги, решающие деревья, метод опорных векторов, метод ближайших соседей, логистическая регрессия, линейный дискриминантный анализ, нейронные сети) и оригинальные методы, основанные на логико-статистической подходе (оптимально достоверные разбиения и статистически взвешенные синдромы). Из лучших методов при решении конкретной задачи классификации можно создавать ансамбль, достигая наилучших результатов распознавания. 🔹Предусмотрены 4 вида контроля: чистый контроль – на выборке, не участвовавшей в обучении, скользящий контроль (K-fold СV и Leave-one-out) и Монте-Карло. 🔸 Преимущество перед нейронными сетями: прозрачность решения, набор значимых показателей, вычисленных с помощью перестановочного теста, план действий по переводу объекта в благоприятный класс. Работа с методами не предусматривает знание программирования. 🔹 Возможно предсказание свойств химических соединений, такие задачи успешно решали с помощью наших методов. Может быть решена и задача QSAR (quantative structure activity relationship) - прогноз активности по химической формуле для малых выборок.
Лаборатория мат. биофизики предлагает коллегам из ИБХФ РАН и ФИЦ ХФ РАН сотрудничество и использование описанных выше подходов.
Контакты: 8 903 253 84 23
👩💻 Анна Викторовна Кузнецова, к.б.н.
#сотрудничество #ИБХФ #ИБХФРАН #предложение #наукаИБХФ
❗️Система Анализа Данных (САД) Data Master Azforus – многопараметрический анализ данных методами ML (прим.: машинного обучения) без программирования.
Предлагаем демоверсию для небольшой обучающей выборки: 150 объектов – 30 показателей. Автоматизирована задача классификации, предусмотрены наглядные отчеты, план действий по переводу объекта в другую (благоприятную) группу.
🔸 В комплекс входят стандартные методы машинного обучения и авторские методы, основанные на логико-статистической подходе (оптимально достоверные разбиения и статистически взвешенные синдромы). Из лучших методов при решении конкретной задачи классификации можно создавать ансамбль, достигая наилучших результатов распознавания.
🔸 Преимущества перед нейронными сетями: прозрачность решения, выявление набора значимых показателей, вычисленных с помощью перестановочного теста. Работа с методами не предполагает знание программирования.
🔸 Возможно предсказание свойств химических соединений, так называемый рациональный химический дизайн.
Скачать демо-версию 🌐
Контакты:
👩💻 Анна Викторовна Кузнецова, к.б.н., с.н.с. лаборатории математической биофизики ИБХФ РАН; 8 903 253 84 23 - telegram, WhatsApp
#сотрудничество #наукаИБХФ #ИБХФ #ИБХФРАН #объявление
Предлагаем демоверсию для небольшой обучающей выборки: 150 объектов – 30 показателей. Автоматизирована задача классификации, предусмотрены наглядные отчеты, план действий по переводу объекта в другую (благоприятную) группу.
🔸 В комплекс входят стандартные методы машинного обучения и авторские методы, основанные на логико-статистической подходе (оптимально достоверные разбиения и статистически взвешенные синдромы). Из лучших методов при решении конкретной задачи классификации можно создавать ансамбль, достигая наилучших результатов распознавания.
🔸 Преимущества перед нейронными сетями: прозрачность решения, выявление набора значимых показателей, вычисленных с помощью перестановочного теста. Работа с методами не предполагает знание программирования.
🔸 Возможно предсказание свойств химических соединений, так называемый рациональный химический дизайн.
Скачать демо-версию 🌐
Контакты:
👩💻 Анна Викторовна Кузнецова, к.б.н., с.н.с. лаборатории математической биофизики ИБХФ РАН; 8 903 253 84 23 - telegram, WhatsApp
#сотрудничество #наукаИБХФ #ИБХФ #ИБХФРАН #объявление