Benutzer: Gast  Login
Originaltitel:
Data-driven statistical learning to model cellular heterogeneity 
Übersetzter Titel:
Daten-getriebene Modellierung von Heterogenität zwischen Zellen mittels Methoden aus der Statistik und dem maschinellen Lernen 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Mathematik 
Betreuer:
Theis, Fabian J. (Prof. Dr. Dr.) 
Gutachter:
Theis, Fabian J. (Prof. Dr. Dr.); Gagneur, Julien (Prof. Dr.); Marioni, John (Prof., Ph.D.) 
Sprache:
en 
Fachgebiet:
MAT Mathematik 
TU-Systematik:
BIO 110d; MAT 022d 
Kurzfassung:
In the last decades the advent of new experimental techniques has lead to a drastic increase of available data in biology. As a consequence the importance of mathematical methods to deduct scientifically relevant hypothesis from this big amount of data is steadily growing. A major challenge for bio-mathematics and bio-statistics therefore lies in both the adaption of existing methods to the, often very specific, properties of the measured data, and in the development of new methods to model thes...    »
 
Übersetzte Kurzfassung:
Das Auftreten neuer experimenteller Methoden führte in den letzten Jahren zu einer drastischen Zunahme verfügbarer, biologischer Daten geführt. Um aus dieser Datenmenge wissenschaftlich relevante Ergebnisse abzuleiten, wird es daher immer wichtiger geeignete mathematische und rechnergestützte Methoden zu finden. Eine der größten Herausforderungen im Bereich der Biomathematik und Biostatistik ist es daher, bestehende Methoden an die oft sehr spezifischen Eigenschaften der Daten anzupassen und zus...    »
 
Mündliche Prüfung:
21.09.2016 
Dateigröße:
25228082 bytes 
Seiten:
178 
Letzte Änderung:
29.09.2016