Show simple item record

dc.contributor.advisorJaramillo Garzón, Jorge Alberto
dc.contributor.authorCardona Escobar, Andrés Felipe
dc.contributor.authorPineda Iral, Juan Camilo
dc.date.accessioned2019-02-28T19:59:42Z
dc.date.accessioned2018-08-13T21:48:59Z
dc.date.available2019-02-28T19:59:42Z
dc.date.available2018-08-13T21:48:59Z
dc.date.issued2015
dc.identifier.urihttp://hdl.handle.net/20.500.12622/110
dc.description.abstractMediante este trabajo se automatizó el proceso de anotación de secuencias proteicas, a través del uso de técnicas de aprendizaje de máquina supervisado y kernels de secuencias conocidos también como string kernels, para ello se implementan tres tipos de kernel, en conjunto con una metodología para la clasificación supervisada de secuencias proteicas, que incluye máquinas de vectores de soporte (SVM) para resolver 14 problemas de clasificación que hacen referencia a funciones moleculares de plantas terrestres (Embryophyta). La metodología implementada utiliza algoritmos meta-heurísticos bio-inspirados para encontrar los parámetros óptimos de la SVM, a través de una validación cruzada de 10 particiones. Con el propósito de resolver el problema del desbalance de clases, se asignan pesos a las mismas y luego se introducen como hiperparámetros al clasificador, esto con el fin de evitar métodos de muestreo usados para adicionar o quitar muestras. Los resultados obtenidos fueron comparados con el kernel de base radial (RBF) bajo la misma metodología. La media geométrica entre la sensibilidad y la especificidad fue utilizada como medida de desempeño global, los resultados obtenidos muestran que el desempeño de los kernels de secuencias fue mejor en la mayoría de los problemas, mostrando que este tipo de kernels, son una herramienta adecuada para el problema tratado.spa
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.publisherInstituto Tecnológico Metropolitanospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMáquinas de soporte vectorialspa
dc.subjectAprendizaje automáticospa
dc.subjectkernel (Informática)spa
dc.subjectReconocimiento de patronesspa
dc.subjectAlgoritmos heurísticosspa
dc.subjectMétodos heurísticosspa
dc.titleMetodología para la predicción de funciones en proteínas Embryophyta usando kernels de secuencias.spa
dc.publisher.facultyFacultad de Ingenieríasspa
dc.publisher.programIngeniería Mecatrónicaspa
dc.subject.keywordsGenetic algorithmseng
dc.subject.keywordsMathematical modelseng
dc.subject.keywordsSimulation methodseng
dc.subject.keywordsDigital control systemseng
dc.subject.lembALGORITMOS GENÉTICOSspa
dc.subject.lembMODELOS MATEMÁTICOSspa
dc.subject.lembMÉTODOS DE SIMULACIÓNspa
dc.subject.lembSISTEMAS DE CONTROL DIGITALspa
dc.description.degreenameIngeniero Mecatrónicospa
dc.identifier.instnameinstname:Instituto Tecnológico Metropolitanospa
dc.identifier.reponamereponame:Repositorio Institucional Instituto Tecnológico Metropolitanospa
dc.identifier.repourlrepourl:https://repositorio.itm.edu.co/
dc.rights.localAcceso abiertospa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.title.translatedA methodology for the prediction of Embryophyta protein functions using string kernels.eng
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.description.degreelevelpregradospa


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

http://creativecommons.org/licenses/by-nc-nd/4.0/
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by-nc-nd/4.0/