Reliable Machine Learning for Omics Data Evaluation Protocols, Hybrid Models, and Applications in Foodomics /
A doktori értekezés a gépi tanulási (ML) és mélytanulási (DL) módszerek megbízható alkalmazását vizsgálja omikai adatok elemzésében, különös tekintettel az élelmiszer-omikai és agronómiai kutatásokban gyakran előforduló nagy dimenziószámú, kis mintaszámú adathalmazokra. A munka középpontjában a móds...
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Disszertáció |
| Megjelent: |
2026-05-28
|
| Kulcsszavak: | Machine Learning; Deep Learning; Omics Data; Foodomics; Agronomy; Model Evaluation; Cross-Validation; Early Stopping; Hybrid Neural Networks; Multi-Objective Optimization; Explainable Artificial Intelligence (XAI); SHAP; SNP Prediction; Reproducibility; MLOps; Experimental Workflows; Data Augmentation; Model Robustness; Interpretability; Computational Biology |
| Tárgyszavak: | |
| doi: | 10.14232/phd.13084 |
| mtmt: | 37371736 |
| Online Access: | http://doktori.ek.szte.hu/13084 |