关键词： 隐马尔科夫模型   基因识别   EM算法   Viterbi算法   机器学习方法  

摘要： 随着基因组研究的发展,利用机器学习方法进行基因识别被广泛使用,这些方法包括神经网络算法、基于规则的方法、决策树、概率推理等。文章描述了一种基于隐马尔科夫模型的基因识别系统,介绍了EM训练算法和Viterbi序列分析算法,该系统运用Burset&Guigo的公共数据集进行测试,核苷识别的Sn和Sp两个参数分别可以达到68%和88%,外显子识别的Sn和Sp参数达到60%和63%。

关键词： Rough集   机器学习   知识库   第二次学习   人工智能  

摘要： 　对于机器学习,知识库的扩充一直是个热门话题,很多人对之投入了大量的精力从各个方面,用各种方法研究。从Rough集理论知识规则+经验的方法,引用第二次学习的概念,实行知识库的扩充。

摘要： 机器学习的方法在数据挖掘领域有广泛的应用。\n在当今的机器学习领域，人们经常采用多预测模型的方法以提高预测的准确性。所有这些多预测模\n型方法可以归为两类：(1)专家方法 (2)集成方法。\n聚类方法在空间数据挖掘中有广泛的应用。应用于空间数据挖掘的聚类方法包括划分方法、层次方\n法、基于密度的方法等。本文根据应用于空间数据挖掘的聚类方法的基本要求，提出了一种基于分布的\n聚类算法DBCSD。\n本文改进了Adaboost.M2算法，给出了具有属性选取的适应性属性推进方法，并且将该方法应用于\n空间推进中。快速k-NN分类器方法可以显著减少计算量。\n数据约简对于大型分布式数据库的数据挖掘也是非常有用的。在当今的数据挖掘领域中，在分布式\n环境中学习的工作一般有两种方式：一种是将所有数据移往一个中心以进行进一步处理；另外一种是对\n各地的数据分别产生预测模型，然后通过标准的机器学习方法进行移动和结合。随着网络系统的出现以\n及数据量不断增加，前一种方法太昂贵，后一种方法太不精确。缩小数据库的规模，降低其维数，同时\n又不丢失可以抽取的信息，这样可以为更有效、更精确的集中学习加速数据转移。数据约简通常采用步\n进采样技术，本文提出了一种采用动态规划技术来计算采样schedule的新方法。\n目前的机器学习算法，一般都具有很高的计算复杂性，同时要求所有数据驻留主存，显然这对于大\n多数实际的数据挖掘应用来说是不能接受的。所以在本文中，我们将探讨在大型以及物理上分布的数据\n集上进行数据挖掘的方法。同时提出了在分布式环境中进行分类和预测的方法。\n我们提出了一种基于聚类方法的对集成中分类器进行剪枝的新方法。为了对分类器进行剪枝，采用\n分布分类器权重的方法。另外，我们设计了一种利用“最独立”分类器建立树的深度优先算法。该剪枝\n方法表明，通过选择一个神经网络分类器的最优子集，我们有可能得到与整个集成接近甚至更好一点的\n泛化效果。\n一般来说，神经网络能够产生相当精确的模型。然后，这种模型都隐藏在“黑箱”中，虽然可以用\n来预测，但是对理解模型中变量之间的关系没有帮助。遗传算法是一种有效的优化工具，可以用于规则\n剪枝。本文提出了一个神经网络-模糊-遗传算法数据挖掘体系结构，它可以将发现的模式以可以理解的\n方式表示出来。\n关键词：数据挖掘，分类器，预测模型，机器学习，聚类，分布式环境，步进采样，神经网络，遗传算法，模糊推论系统。

关键词： EXPRESSION   TUMOR   PATTERNS  

摘要： Background: We describe the E-RFE method for gene ranking, which is useful for the identification of markers in the predictive classification of array data. The method supports a practical modeling scheme designed to avoid the construction of classification rules based on the selection of too small gene subsets (an effect known as the selection bias, in which the estimated predictive errors are too optimistic due to testing on samples already considered in the feature selection process). Results: With E-RFE, we speed up the recursive feature elimination (RFE) with SVM classifiers by eliminating chunks of uninteresting genes using an entropy measure of the SVM weights distribution. An optimal subset of genes is selected according to a two-strata model evaluation procedure: modeling is replicated by an external stratified-partition resampling scheme, and, within each run, an internal K-fold cross-validation is used for E-RFE ranking. Also, the optimal number of genes can be estimated according to the saturation of Zipf's law profiles. Conclusions: Without a decrease of classification accuracy, E-RFE allows a speed-up factor of 100 with respect to standard RFE, while improving on alternative parametric RFE reduction strategies. Thus, a process for gene selection and error estimation is made practical, ensuring control of the selection bias, and providing additional diagnostic indicators of gene importance.

关键词： classification   diagnosis   lung cancer   mass spectra   variable selection  

摘要： We addressed the problem of discriminating between 24 diseased and 17 healthy specimens on the basis of protein mass spectra. To prepare the data, we performed mass to charge ratio m/z) normalization, baseline elimination, and conversion of absolute peak height measures to height ratios. After preprocessing, the major difficulty encountered was the extremely large number of variables (1676 m/z values) versus the number of examples (41). Dimensionality reduction was treated as an integral part of the classification process; variable selection was coupled with model construction in a single ten-fold cross-validation loop. We explored different experimental setups involving two peak height representations, two variable selection methods, and six induction algorithms, all on both the original 1676-mass data set and on a prescreened 124-mass data set. Highest predictive accuracies (1-2 off-sample misclassifications) were achieved by a multilayer perceptron and Naive Bayes, with the latter displaying more consistent performance (hence greater reliability) over varying experimental conditions. We attempted to identify the most discriminant peaks (proteins) on the basis of scores assigned by the two variable selection methods and by neural network based sensitivity analysis. These three scoring schemes consistently ranked four peaks as the most relevant discriminators.

关键词： Machine learning   Image analysis   Algorithms  

摘要： Introduces articles published in the August 2003 issue of the periodical 'Journal of Machine Learning Research.' Machine learning methods for text and images; Machine learning algorithms; Kernel methods for relation extraction.

关键词： DESCRIPTORS   MECHANISM   BINDING   DESIGN  

摘要： We developed a computational algorithm for evaluating the possibility of cytochrome P450-mediated metabolic transformations that xenobiotics molecules undergo in the human body. First, we compiled a database of known human cytochrome P-450 substrates, products, and nonsubstrates for 38 enzyme-specific groups (total of 2200 compounds). Second, we determined the cytochrome-mediated metabolic reactions most typical for each group and examined the substrates and products of these reactions. To assess the probability of P450 transformations of novel compounds, we built a nonlinear quantitative structure-metabolism relationships (QSMR) model based on Kohonen self-organizing maps (SOM). This neural network QSMR model incorporated a predefined set of physicochemical descriptors encoding the key molecular properties that define the metabolic fate of individual molecules. Isozyme-specific groups of substrate molecules were visualized, thus facilitating prediction of tissue-specific metabolism. The developed algorithm can be used in early stages of drug discovery as an efficient tool for the assessment of human metabolism and toxicity of novel compounds in designing discovery libraries and in lead optimization.

关键词： 机器学习   机器翻译   类比推理   归纳学习  

摘要： 在智能技术的研究中,从例子中学习和类比学习是两种好方法。第一部分研究了两种机器学习方法;第二部分讨论了类比机器翻译方法。

关键词： 机器学习   统计系综学习方法   推广能力   稳定性   失配问题   数据选择   野点问题  

摘要： 该文主要致力于研究机器学习(Machine Learning)中的统计系综学习方法(Statistical Ensenble Learning Method)和数据层面的若干问题.对一个实际的机器学习问题而言,研究者们发现,大多数情况下,任何单一的学习方法均无法很好地解决问题,并且很可能使得学习过程的复杂度急剧提升.统计系综学习方法正是针对这一问题而展开研究的,从而迅速成为机器学习领域前沿研究热点之一.其主要思想是通过多个性能平平且复杂度较低的学习过程的融合来实现性能良好的学习过程.机器学习问题的研究主要面临两个层面的挑战,即数据层面和学习机构造层面.数据层面的研究主要是回答如何基于完整的能反映数据样本空间性质的小样本数据来构造与该给定数据复杂度相匹配的学习机.由于绝大多数机器学习问题是基于数据驱动的,数据层面的研究就显得至关重要,任何脱离对数据深入分析的学习过程都将注定不会取得好的学习性能.然而,在机器学习领域,目前绝大多数研究主要是围绕学习机层面的问题而展开,故该研究对于机器学习领域的发展有相当意义.

关键词： 谈判支持系统   遗传算法   劳资谈判   机器学习方法  

摘要： 本文针对传统谈判支持系统的不足 ,将基于遗传的机器学习方法引入到谈判支持系统中 ,设计了面向支持谈判过程的新型遗传算子和规则学习算法。以劳资谈判问题为例进行了模拟谈判 ,模拟结果表明本文提出的方法是有效的。