Ik ga een machine learning-classificator bouwen voor het voorspellen van kankersubtypen op basis van genexpressiegegevens.

Heeft u gelabelde genexpressiegegevens en heeft u die nodig?

een machine learning-classificator om kanker te voorspellen

subtypes of patiëntuitkomsten?

Ik ga een complete ML-classificatiepipeline bouwen.

afgestemd op uw genomische dataset.

WAT JE KRIJGT:

- Gegevensvoorverwerking en normalisatie

- Kenmerkselectie om de meest informatieve genen te identificeren

- Vergelijking van meerdere algoritmen (Random Forest, SVM,

Gradient Boosting, KNN)

- Nauwkeurigheidsbeoordeling door middel van kruisvalidatie

- Verwarringsmatrix en classificatierapport

- Visualisatie van het belang van kenmerken

- Productieklaar opgeslagen model

MIJN ERVARING:

Een classificatiemodel voor borstkankersubtypen ontwikkeld op basis van genen.

expressiegegevens die een kruisvalidatie van 85,2% behalen

Nauwkeurigheid met behulp van SVM. 4 subtypes geclassificeerd:

LuminalA, LuminalB, HER2, TripleNegatief.

De volledige pipeline is beschikbaar op GitHub.

WAT IK VAN JOU NODIG HEB:

- Genexpressiematrix (monsters x genen)

- Subtype- of uitkomstlabels voor elk monster

- Aantal klassen om te voorspellen

- Alle bekende belangrijke genen of signaalroutes

GEREEDSCHAPPEN: Python, scikit-learn, Pandas, numpy,

matplotlib, seaborn, joblib, Linux, Git