WS-Biom03

Methoden des maschinellen Lernens

Organisation (Ansprechpartner)

Inke König (Lübeck): inke.koenig(at)imbs.uni-luebeck.de

Kurzbeschreibung:

Methoden des maschinellen Lernens sind von zunehmender Bedeutung in verschiedenen Bereichen biomedizinischer Forschung (siehe z.B. Übersichten von Austin et al. (2013), Boulesteix et al. (2012), Dasgupta et al. (2011), Melville et al. (2009) und Sun (2010)). Entsprechend erfahren sie ständige Erweiterungen in Algorithmen und Implementation.

Dieser Workshop beschäftigt sich im ersten Teil mit neuen theoretischen Entwicklungen. Speziell wird im ersten Beitrag ausführlich dargestellt, wie in Verfahren des maschinellen Lernens analog zu klassischen biostatistischen Methoden Wahrscheinlichkeiten geschätzt werden können. Der zweite Beitrag befasst sich mit der Konstruktion von Bäumen für diskret gemessene Überlebenszeiten.

Im zweiten Teil soll der Schwerpunkt auf konkreten Anwendungen von Methoden des maschinellen Lernens liegen. Hierbei werden im ersten Beitrag Zufallswälder zur Qualitätskontrolle von Daten des „Next Generation Sequencing“ verwendet. Der zweite Beitrag stellt die Verwendung von Support-Vector-Maschinen zur Analyse von Daten aus der funktionellen Magnetresonanztomographie (fMR) dar. Der dritte Beitrag schließlich schlägt wieder die Brücke zu klassischen biostatistischen Methoden, in dem Zufallswälder mit regularisierter Regression zur Entdeckung von Interaktionen in hochdimensionalen Daten verglichen werden.

Programm (Di, 3.9.2013):

13:30 Wahrscheinlichkeitsschätzung für binäre und multikategorielle Endpunkte mit Verfahren des maschinellen Lernens
A. Ziegler, J. Kruppa, T. Holste
Institut für Medizinische Biometrie und Statistik, Universität zu Lübeck, Universitätsklinikum Schleswig-Holstein, Campus Lübeck, Lübeck
 
14:30 Survival trees for discrete failure times
M. Schmid
Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen
 
15:00–15:30 Kaffeepause
 
15:30 Quality control of next generation sequencing data using random forests as probability machines
S. Szymczak^1,2, H. Ling³, T.H. Beaty⁴, J.E. Bailey-Wilson^2
1Christian-Albrechts-Universität zu Kiel
²National Human Genome Research Institute, NIH, Baltimore
³Center for Inherited Disease Research, Johns Hopkins University, Baltimore
⁴Department of Epidemiology, Johns Hopkins University, Baltimore
 
16:00 Advances and caveats in machine-learning approaches on resting-state fMRI connectomes
N. Scheel, A. Madamy
Universität zu Lübeck, Lübeck
 
16:30 Integration von Interaktionen in Regressionsmodellen für hochdimensionale molekulare Daten
H. Binder, M. Sariyar, I. Hoffmann
Universitätsmedizin der Johannes-Gutenberg-Universität Mainz, Mainz
 
17:00 Ende