Publication:
Application of ensemble machine learning methods to multidimensional AFM data sets

Файлы
W3017246617.pdf(844.85 KB)
Дата
2020
Авторы
Dokukin, M.
Dokukina, I.
Journal Title
Journal ISSN
Volume Title
Издатель
Научные группы
Организационные подразделения
OrgUnit Logo
Организационная единица
СарФТИ НИЯУ МИФИ
Город Саров Нижегородской области имеет статус закрытого административно-территориального образования (ЗАТО). В 1952 году в Арзамасе – 16 (ныне г. Саров) на правах вечернего вуза было открыто вечернее отделение №4 МИФИ. За прошедшие годы в Сарове сформировано учебное заведение нового типа, применяющее технологию образования с открытой структурой – исследовательский университет, который использует интеллектуальную и экспериментальную мощь лучших научных и образовательных школ России и других стран. Сегодня СарФТИ НИЯУ МИФИ – это более 1400 студентов в том числе: очной формы обучения – около 1000 чел.; очно-заочной формы обучения – более 300 чел.; на средне-профессиональном обучении – более 150 чел.; аспирантура – около 50 чел.. Основные цели и задачи СарФТИ: Многоуровневая подготовка квалифицированных кадров с учётом специфики ядерного образования и региональных потребностей. Целевая подготовка специалистов на базе наукоемких технологий обучения. Переподготовка кадров с учетом потребности атомной отрасли и регионов. Создание и сохранение критических технологий и знаний в атомной отрасли. Поиск и работа с одаренными школьниками. Основной особенностью СарФТИ НИЯУ МИФИ является глубокая интеграция с Российским Федеральным Ядерным Центром ВНИИЭФ, на базе которого созданы 9 выпускающих кафедр, обеспечивающих подготовку специалистов по наиболее востребованным для отрасли направлениям. Довузовская подготовка В СарФТИ НИЯУ МИФИ построена уникальная система работы со школьниками Сарова, школ близлежащих районов Нижегородской области, республики Мордовия, а также других районов страны. Благодаря этому, ежегодно в СарФТИ поступает по 60-70 талантливых ребят из различных уголков России. СарФТИ НИЯУ МИФИ ведет подготовку по 11 направлениям и специальностям ВПО, 5 программам послевузовского профессионального образования, 5 программ СПО.
Выпуск журнала
Аннотация
© 2020 The Authors. Published by Elsevier B.V.Multidimensional data sets collected with atomic force microscopy on complex biological objects like cells or tissues could be extremely informative. However, due to multidimensionality and unavailability of a large number of samples, processing of such data could be a challenge for automated machine learning methods. Here we discuss an approach based on a reduction of data dimensionality when only a limited number of parameters calculated from each microscopy map are used for machine learning algorithms. This method requires a smaller number of imaged cells, demonstrates higher accuracy of prediction, and provides cell identification that is independent of operator involvement.
Описание
Ключевые слова
Цитирование
Dokukin, M. Application of ensemble machine learning methods to multidimensional AFM data sets / Dokukin, M., Dokukina, I. // Procedia Computer Science. - 2020. - 169. - P. 763-766. - 10.1016/j.procs.2020.02.168
URI
https://www.doi.org/10.1016/j.procs.2020.02.168
 https://www.scopus.com/record/display.uri?eid=2-s2.0-85084476308&origin=resultslist
 https://openrepository.mephi.ru/handle/123456789/21718
Коллекции
Публикации