Koncept drift analýza v metabolomické predikci při chladových stresových podmínkách u rostlin

Abstract

Tato bakalářská práce se zabývá problematikou analýzy koncept driftu ve strojovém učení pro metabolomickou aplikaci. Koncept drift je nežádoucí jev, který významně ovlivňuje výstupní data v predikčních modelech, konkrétně jejich důvěryhodnost a přesnost. Tento jev můžeme korigovat pomocí detekce a následné korekce. Vstupní data, která vstupují do predikčních modelů, jsou z reálného světa, který se dynamicky mění. Tato dynamická vstupní data mohou být reprezentována metabolomickými daty, která byla naměřena na~rostlinách. Metabolomická analýza v ekologii a rostlinných vědách již prokázala schopnost včasně odhalit chladové stresové podmínky pro rostliny. Při této včasné diagnostice můžeme předejít zpomalení metabolismu, růstu či poškození rostlin. V první části jsou teoreticky popsány oblasti problematiky koncept driftu, strojového učení a metabolomické analýzy. Druhá část práce je zaměřená na postup a implementaci algoritmů predikčních modelů a~algoritmů pro detekci a korekcí koncept driftu. Na závěr byly popsány dosažené výsledky a provedena diskuze.This bachelor thesis deals with the challenges of concept drift analysis in machine learning. Concept drift is an undesirable phenomenon that significantly affects the output data of prediction models, particularly their reliability and accuracy. This phenomenon can be corrected through detection and subsequent correction. Input data fed into prediction models come from the real world, which is dynamically changing. These dynamic input data can represented by metabolomics data measured from plants. Metabolomics analysis in ecology and plant sciences has already demonstrated its ability to detect cold stress conditions in plants at an early stage. Early diagnosis can help prevent slowed metabolism, growth inhibition, or plant damage. The first part of the thesis provides a theoretical overview of the issues related to concept drift, machine learning, and metabolomics analysis. The second part focuses on the methodology and implementation of prediction models and algorithms for concept drift detection and correction. Finally, the achieved results are described, and a discussion is provided.