Browsing by Author "Tars, Sander"

Now showing 1 - 2 of 2

Geeniekspressiooni andmete analüüsi meetodi Barcode kirjeldus ja rakendamine
(2016) Tars, Sander; Ufliand, Anna; Adler, Priit
Käesoleva bakalaureusetöö peamised eesmärgid on üle kontrollida, kas\n\rgeeniekspressiooni andmete analüüsi meetod Barcode täiustab meetodit fRMA ja tuua\n\rerinevused visuaalselt välja.\n\rEsimene, kirjeldav osa keskendub geeniekspressiooni andmete analüüsi meetodil Barcode.\n\rBarcode'i kirjelduse käigus antakse ülevaade erinevatest Barcode'i versioonidest. Iga\n\rversiooni juures on kirjeldatud funktsionaalsused ja nende kasutamine. Põhirõhk on seejuures\n\rpandud uutele funktsionaalsustele võrreldes varasemate versioonidega.\n\rTeises, praktilises osas võrreldakse meetodeid Barcode ja fRMA (fRMA meetodi väljund\n\ron Barcode analüüsi alguspunkt). Nende kahe meetodi võrdlemiseks kasutatakse\n\rinimese geeniekspressiooni andmehulka DNA kiibi eksperimentidest. Andmehulk tähisega\n\rE-TABM-145 sisaldab 158 inimese koenäidise ekspressiooniandmeid. Kõigepealt jaotatakse\n\rneed koenäidised manuaalselt gruppidesse. Need manuaalselt loodud grupid on\n\raluseks mõlema meetodi töö hindamisele. Seejärel töödeldakse algseid andmeid nii meetodiga\n\rBarcode kui ka meetodiga fRMA. Mõlema meetodi tulemuste visualiseerimiseks\n\rja võrdlemiseks kasutatakse eraldi kahte statistilist meetodit: peakomponentanalüüs (principal\n\rcomponent analysis) ja hierarhiline klasterdamine. Mõlema statistilise meetodi\n\rväljunditele on tehtud analüüs ja võrdlus Barcode'i ja fRMA vahel. Vastavate statistiliste\n\rmeetodite väljundite võrdlusest saab järeldada, et Barcode on tõepoolest täiendab\n\rfRMA-d. Barcode võimaldab koenäidiseid apremini õigetesse klastritesse klassifitseerida -\n\rnäidised, mis tulevad samast koest on kasutades Barcode'i paremini ülejäänud näidistest\n\reraldatud kui fRMA puhul.
Mitme-domeenne tehisnärvivõrkudel põhinev masintõlge
(2018) Tars, Sander; Mark Fišel; PhD
Käesolev magistritöö kätkeb endas neurotõlke lähenemist, mis toetabmitme-domeenseid tekste ja võimaldab tõlkimisel arvestada domeenide eripära. Antud lähenemine lähtub põhimõttest, et me käsitleme domeene kui eraldiseisvaid keeli, ning kasutame nende tõlkimiseks mitmekeelse neurotõlke meetodeid. Samuti näitame et mainitud lähenemise tulemusena tõlkekvaliteedi hinnang paraneb märgatavalt. Käesolevas töös pakume välja ka lähenemise domeenide automaatseks määramiseks ja uurime, kas eelnev domeenijaotuse info on üldse vajalik. Tuleb välja, et on, kuid kui sellist infot ei ole, on automaatset määramist kasutades võimalik samuti kõrge tõlkekvaliteedini jõuda, kohati isegi kõrgemani, kui eelnevat domeenijaotuse infot kasutades. Lisaks uurime selles töös, kas keelesisene stiilile kohandamine tühipauk (zero-shot) tõlke kaudu on võimalik. Näitame, et see lähenemine on võimeline stiilile kohanduma, kuid koos siiani lahenduseta kvaliteedilangusega.