Benutzer: Gast  Login
Originaltitel:
Learning on complex, biased, and big data: disease risk prediction in epidemiological studies and genomic medicine on the example of childhood asthma 
Übersetzter Titel:
Lernen auf komplexen, verzerrten und großen Daten: Prädiktion von Krankheitsrisiken in epidemiologischen Studien und genomischer Medizin am Beispiel von Asthma im Kindheitsalter 
Jahr:
2018 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Mathematik 
Betreuer:
Theis, Fabian J. (Prof. Dr. Dr.) 
Gutachter:
Theis, Fabian J. (Prof. Dr. Dr.); Boulesteix, Anne-Laure (Prof. Dr.); Hammer, Barbara (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
MAT Mathematik 
TU-Systematik:
BIO 110d; MAT 022d 
Kurzfassung:
Predicting the risk of complex diseases is a field of growing relevance in medicine and shows high potential of refinement and improvement by integrating new data types and larger data sets. In this thesis, we investigate and overcome issues on several challenges in this field by applying and developing statistical methodology for working with complex data structures and we show how prediction for diseases can be improved by taking into account bias, complexity and bigness of data. 
Übersetzte Kurzfassung:
Die Prädiktion des Risikos komplexer Krankheiten in der Medizin gewinnt an Relevanz und birgt hohes Potential der Verfeinerung und Verbesserung, indem neue Datentypen sowie größere Datensätze integriert werden. In dieser Arbeit untersuchen und lösen wir mehrere Aspekte bezüglich der Herausforderungen in diesem Gebiet: wir nutzen und entwickeln statistische Methodik zum Arbeiten mit komplexen Datenstrukturen und zeigen wie die Prädiktion von Krankheiten durch Berücksichtigung von Verzerrung, Komp...    »
 
Mündliche Prüfung:
28.09.2018 
Dateigröße:
7345442 bytes 
Seiten:
186 
Letzte Änderung:
18.10.2018