Master of computer

1. RNA 추출 식물 막자사발에 빻기 RNA 추출용액 붓기 식물찌꺼기 분리 RNA만 분리 2. RNA 순도, 농도 체크 3. RT-PCR (Reverse Transcriptase) 4. 전기영동  이름 확인 필요 파우더형태  농도는 상관 없는데 순도 1.9이상이어야 함 RT PCR 프라이머 CABYV 박과작물 박과류 관련 바이러스 관련 프라이머 5개 검색해보기 복합감염여부 확인 복합감염 안나오는 게 좋아요 프라이머 위치 CMV의심 (오이)  아래쪽 6개 프라이머 희석 프라이머 농도 10 100을 1/10로 희석해서 사용 1.5짜리 튜브 100마이크로 피펫 90맞춰서 냉동실 물 넣고 10마이크로 프라이머 넣기 forword, reverse 둘 다

Sanger https://www.youtube.com/watch?v=FvHRio1yyhQ NGS Next Generation Sequencing 매우 빠르고 저렴 https://www.bioin.or.kr/InnoDS/data/upload/system/C233A589-4166-750F-B7F3-B35317A5786E.pdf

Mega 11은 원하는 바이러스의 계통 strain을 알고싶을 때 Gene Bank에 있는 정보를 모두 취합해서 볼 수 있음. 원하는 병명 영어로 ( Tabacco Mosaic Virus TMV) NCBI https://www.ncbi.nlm.nih.gov/ National Center for Biotechnology Information www.ncbi.nlm.nih.gov 워드에 복붙해서 정리해두기 Mega11 Download Mega11 워드 파일 이름 포함해서 복사해서 Mega11 에 붙여 넣기 저장하고 나서 메가 화면으로 끌어당기면 다른 염기파일과 함께 분석 가능 ! mega phylogenetic tree 예쁘게 그리는 법

Artificial Intelligence-Based Plant Diseases Classification Lobna M. Abou El-Maged, Ashraf Darwish & Aboul Ella Hassanien CNN에 기반한 식물 바이러스 분류 모델 1. 전처리 단계 2. 범주화, 평가 단계 3. 가우시안방법을 활용한 하이퍼파라미터 최적화 데이터셋 : 9가지 식물, 33가지 병 합성곱신경망 CNN 필터링 기법을 인공신경망에 적용하여 이미지를 효과적으로 처리할 수 있는 심층 신경망 기법 행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되는 과정을 통해 이미지를 분류하는 기법 하이퍼 파라미터 : 모델링할 때 사용자가 직접 세팅해주는 값 Parasitic : 기생하는 pathog..

ㅇ 교수 : 서울대학교 이원종 교수 ㅇ 학습목표 - Machine Learning의 한 부류인 비지도학습(Unsupervised Learning)에 대한 기본 개념과 목표 또는 label이 없는 data set에서 통찰력을 찾는 방법을 배우게 됩니다. - 비지도학습을 위한 여러 clustering 및 차원 축소 알고리즘과 데이터에 가장 적합한 알고리즘을 선택하는 방법을 배우게 됩니다. 전통기계학습과 딥러닝에서의 비지도학습 1. 전통기계학습에서의 비지도학습 KMS K-means Clustering : 비슷한 특성을 가진 클러스터로 나눠서 각각 모으는 것 작은 디멘션에 있는 데이터만 가능, 개념이 간단 2. 딥러닝에서의 비지도학습 Feature engineering Representation learning..

Ensemble Learning 앙상블러닝 함께, 동시에, 협력하여 : 이미 사용하고 있거나 개발한 알고리즘의 간단한 확장 Supervised Learning task에서 성능을 올릴 수 있는 방법 알고리즘 종류에 상관없이 서로 다르거나 같은 매커니즘으로 동작하는 다양한 머신러닝 모델을 묶어서 함께 사용하는 방식 Bagging : 학습과정에서 training sample을 랜덤하게 나누어 선택 Bootstrapping(다수의 샘플 데이터세트를 생성해서 학습) + Aggregating (데이터 증강, 데이터 확충(실질적으로 새로운 데이터를 수집하지 않고도 교육 모형에 사용하는 데이터의 다양성을 늘릴 수 있는 전략)) 모델을 병렬적으로 학습할 수 있고, 각 sample set가 다른 모델에 영향을 미치지 않..

Support Vector Machine 가장 큰 margin 값을 가지는 hyper plane을 찾아 설정 = 가장 가까운 positive sample ~ negative sample Optimization 적합한 margin 값을 찾기 위한 최적화 방식 Hard margin SVM : margin 사이에 아무것도 없음( 좁은 마진) Soft margin SVM : Hyperplane에 걸려있는 에러를 용인(넓은 마진) Problem of SVM 데이터가 선형으로 분리되지 않는 경우에는? → Kernel transfrom이용 : 차수를 높여 linearly sepable하게 만드는 과정을 통해 non-linear data도 분류 가능! Artificial Neural Network(ANN) - non-..

Supervised learning -Regression (연속적인 값) -Classification(이산적인 값) : 입력+정답으로 구성 Linear classification(선형분류) 선을 이용하여 데이터를 분류 hyper plane에서 dataset에 있는 positive / negative sample을 linear combination(선형결합)에 의해서 구분 frame work 주어진 입력에 대한 출력을 분류 [2,0] input →h classifier → -1 label 1. 어떤 predictor 이용할지? 2. 모델 parameter를 feating하기위한 loss function 설정 (linear regression은 MSE사용) - zero one loss - hinge loss..

Gradient Descent Algorithm (경사하강법) 기울기(gradient) 값을 기반으로 가중치를 업데이트하는 최적화 기법 알파값 : hyper parameter(사용자가 직접 지정해야하는 값) - 너무 크면 에러값이 발산하고, 너무 작으면 수렴속도가 느리므로 중간정도의 값이 가장 적당. 세타값 : 구하고자하는 값 J값 : 최소화하고자하는 목적함수 - Batch gradient descent (배치 경사하강법) Batch"(일괄 처리를 위해) 함께 묶다; 집단; 묶음" 전체 샘플을 확인해야 겨우 한 값 구함. - Stochastic gradient descent (SGD : 확률적 경사하강법) : 전체 샘플을 1로 바꾸고 진행 노이즈 (Oscillation)많이 발생 ---- Local op..