Classification of bacterial isolates using unsupervised learning

Poniższa praca, „Klasyfikacja izolatów bakterii przy pomocy uczenia nienadzorowanego”, dotyczy tworzenia głębokich sieci neuronowych uczonych w sposób samonadzorowany. Celem było uzyskanie podobnej jakości klasyfikacji i klasteryzacji jak w przypadku profesjonalnych analiz mikrobiologicznych. Udało się osiągnąć ten efekt w ograniczonym zakresie. Opracowano model oparty na sieci SimSiam i uczono go na oryginalnych danych 50 izolatów. Szczegółowo opisano przebieg eksperymentów w różnych ustawieniach sieci i z różną ilością danych treningowych. Opisano spostrzeżenia z eksperymentów, które mogą mieć zastosowanie do szerszej grupy modeli samouczących się. Wymieniono problemy, które mogły znaczenie ograniczać uzyskanie lepszych wyników. Krótko porównano badanie w kontekście innych prób klasyfikacji i klasteryzacji mikroorganizów. Wskazano na wykorzystanie modelu samouczącego się w zarządzaniu epidemiologicznym ze względu na krótszy czas klasyfikacji i klasteryzacji, niższe koszty analizy oraz niezależność od konkretnego zbioru danych.

The following paper, "Classification of bacterial isolates using unsupervised learning," deals with creating deep neural networks learned in a self-supervised manner. The goal was to achieve a similar quality of classification and clustering as professional microbiological analysis. It was possible to achieve this effect to a limited extent. A network model based on the SimSiam network was developed and taught on the original data of 50 isolates. The course of experiments in different network settings and with varying amounts of training data is described in detail. Insights from the experiments that may apply to a broader group of self-trained models are described. Problems that may have had significance in limiting the achievement of better results were mentioned. A brief comparison of the study with other attempts to classify and cluster microorganisms was made. Using the self-supervised model in epidemiological management was shown because of shorter classification and clustering times, lower analysis costs and independence from a specific data set.