최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
Nwogwugwu Chiemela Peter, 김영국, Choi Hyunji, 이준헌, 이승환
2020 / Animal Bioscience
데이터가 존재하지 않습니다.
loading...
본 연구는 시뮬레이션된 한우 집단에서 다양한 선택 방법, 평가 절차, 유전율, 마커 밀도 및 계통 오류율에 따른 유전체 예측 정확도를 평가했습니다. ssGBLUP_0.95 방법이 GBLUP보다 모든 시나리오에서 더 높은 예측 정확도를 보였으며, 육종 가치 기반 선택과 낮은 마커 밀도가 한우의 유전적 이득을 향상시키는 데 도움이 될 수 있음을 시사합니다.
Predicting breeding values: with applications in forest tree improvement
Breeding for disease resistance in farm animals
Linear models for the prediction of animal breeding values
A statistical approach to genetic epidemiology : concepts and applications
Genome-wide association studies and genomic prediction
Biostatistical genetics and genetic epidemiology
Genotype -by- environment interaction
Principles of statistical genomics
Genomics-Assisted Crop Improvement.
Handbook of statistical genetics
Maximum entropy and Bayesian methods : proceedings of the fifteenth International Workshop on Maximum Entropy and Bayesian Methods, Santa Fe, New Mexico, USA, 1995
Genetic mapping and marker assisted selection : basics, practice and benefits
Linear models for the prediction of the genetic merit of animals
Algorithms in bioinformatics : First International Workshop, WABI 2001, Aarhus, Denmark, August 28-31, 2001 proceedings
Small area estimation
Parallel problem solving from nature--PPSN IV : International Conference on Evolutionary Computation, the 4th Conference on Parallel Problem Solving from Nature, Berlin, Germany, September 22-26, 1996 : proceedings
Genetic mapping and marker assisted selection : basics, practice and benefits
Journal of animal science
Song H; Zhang J; Jiang Y; Gao H; Tang S; Mi S; Yu F; Meng Q; Xiao W; Zhang Q; Ding XAnimal : an international journal of animal bioscience
Emamgholi Begli H; Vaez Torshizi R; Masoudi AA; Ehsani A; Jensen JAnimal Production Science
Bedhane, M.; Van Der Werf, J.; De Las Heras-Saldana, S.; Clark, S.; Lim, D.; Park, B.; Na Park, M.; Seung Hee, R.Animal Production Science
Mohammed Bedhane; Sara de las Heras-Saldana; Sam Clark; Roh Seung Hee; Mi Na Park; Julius H. J. van der Werf; Byoungho Park; Dajeong Lim; Marina R. S. FortesLivestock Science
Comin H.B.,Campos G.S.,Domingues R.,Gaspar E.B.,Sollero B.P.,Cardoso F.F.Canadian Journal of Animal Science
Piccoli, Mario L.; Brito, Luiz F.; Braccini, José; Brito, Fernanda V.; Cardoso, Fernando F.; Cobuci, Jaime A.; Sargolzaei, Mehdi; Schenkel, Flávio S.Aquaculture
Sukhavachana S.,Senanan W.,Pattarapanyawong N.,Srithong C.,Joerakate W.,Tunkijjanukij S.,Poompuang S.Aquaculture
Zhou M.,Yuan Y.,Zhang Y.,Zhang W.,Zhou R.,Ji J.,Wu H.,Zhao Y.,Zhang D.,Liu B.,Jiang D.,Wang Z.,Fang M.Tropical animal health and production
Londoño-Gil M; Cardona-Cifuentes D; Espigolan R; Peripolli E; Lôbo RB; Pereira ASC; Aguilar I; Baldi FPLOS ONE
Wang, Xiaoqiao; Miao, Jian; Chang, Tianpeng; Xia, Jiangwei; An, Binxin; Li, Yan; Xu, Lingyang; Zhang, Lupei; Gao, Xue; Li, Junya; Gao, HuijiangJournal of Animal Science
Yutaka Masuda; Ignacy Misztal; Matias Bermann; Mary Kate Hollifield; Andres Legarra; Daniela LourencoMarine biotechnology (New York, N.Y.)
Liu Y; Lu S; Liu F; Shao C; Zhou Q; Wang N; Li Y; Yang Y; Zhang Y; Sun H; Zheng W; Chen SJournal of Animal Breeding and Genetics
Bermann M.,Legarra A.,Hollifield M.K.,Masuda Y.,Lourenco D.,Misztal I.Korean Journal of Agricultural Science
장성봉, 김소연, 이수현, 신민광, 강지민, 이두호, 김시동, 노승희, 이승환, 최태정JDS Communications
Y. Chen; H. Atashi; C. Grelet; N. GenglerGenetics Selection Evolution
Joshi R.,Skaarud A.,Alvarez A.T.,Moen T.,Ødegård J.Frontiers in Veterinary Science
Yan X.,Zhang T.,Liu L.,Yu Y.,Yang G.,Han Y.,Gong G.,Wang F.,Zhang L.,Liu H.,Li W.,Yan X.,Mao H.,Li Y.,Du C.,Li J.,Zhang Y.,Wang R.,Lv Q.,Wang Z.,Zhang J.,Liu Z.,Wang Z.,Su R.Journal of Animal Breeding and Genetics
Gowane G.R.,Lee S.H.,Clark S.,Moghaddar N.,Al-Mamun H.A.,van der Werf J.H.J.Tropical animal health and production
Haque MA; Jang EB; Lee HD; Shin DH; Jang JH; Kim JJJournal of Animal Science
Hollifield M.K.,Lourenco D.,Bermann M.,Howard J.T.,Misztal I.전선 / 대학원
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.전선 / 대학원
분자 수준 (DNA, RNA, proteins, epigenome) 생물정보 데이터 분석에 사용된 기계학습 기법을 구체적 문제와 함께 학습하는 과목이다. 생물정보학에 거의 모든 기계학습 기법이 사용 되고 있는데, 본 과목에서 다루는 기법은 dynamic programming, ML, MAP, (generalized) hidden Markov model (HMM), Gibbs sampling, Dirichlet mixture, expectation maximization, (graph) convolutional neural network, (graph) embedding, (Baysian) autoencoder 등이다.전선 / 학사
여러 가지 통계 모형에서 나타나는 함수에 대하여 비모수적 추정 방법을 배우며, 이론적인 측면보다는 주로 방법론 및 그 응용에 초점을 맞춘다. 비모수 방법으로서 커널 추정법, 국소 다항 적합법, 웨이블릿 추정법, 스플라인 추정법 등을 다룬다. 밀도함수, 회귀함수, 생존함수, 분위수함수 등의 추정 방법을 배우며, 분류 및 판별분석, 일반화 선형모형, 중도절단회귀 모형, 비례위험 모형 등에 응용하는 방법을 간략하게 소개한다.전선 / 대학원
다른 과목에서 배운 계량적 분석방법을 현실 농업문제에 응용한다. 비교정학(comparative statics)에 의한 모형분석, 칼만 필터(Kalman filter), 뉴럴 네트워크(neural network), 유전자 알고리즘(genetic algorithm), 부트 스트랩핑(boot strapping), 커널 추정(kernel estimation) 등을 다룬다.전선 / 대학원
의약품 작용 기전을 수용체, 효소, DNA 등의 분자 수준에서 설명하고, 약물의 화학구조와 약리활성간의 상관성을 이해하기 위해 약리작용단, 생동등체, 정량구조활성관계, 분자모델링 등의 이론을 강의한다. 강의내용은 신약개발 방법 및 과정, 수용체 작용 약물, 효소저해제 기전 약물, DNA 작용 약물, 약물대사, 전구약물 및 약물전달시스템을 포함한다전선 / 대학원
본 과정은 유전적 분석을 활용한 인과성 추론 및 공개자료 활용방법에 대해 다룹니다. 유전적 무작위 배정이란, 위험요인과 결과변수간 인과적 관련성을 유전 정보를 활용하여 평가하는 방법입니다. 대규모 전장 유전체 관련성 분석 결과가 이용 가능해지면서, 역학의 주요 연구방법으로 활용되고 있습니다. 본 과정은 실습을 통해 분석 방법을 구체적으로 다룰 것이며, 공개 자료에 대한 소개와 활용 방법을 소개할 예정입니다. 본 과목의 수강은 선수 과목(역학원론, 유전체역학) 이수와 R 프로그래밍 언어에 대한 이해가 요구됩니다.전선 / 학사
본 교과목에서는 현재 여러 분야에서 적용되고 있는 지능시스템 및 관련연구의 핵심이 되는 확률적 모델링 및 추론, 통계학적 기계학습, 컴퓨터비젼, 로보틱스의 기초를 소개한다. Bayesian networks, hidden Markov models (HMM), Kalman filters, Markov decision processes 등의 확률적 모델링 및 추론방식이 소개되고 선형 regression 및classification 그리고 nonparametric 학습 방법의 기초를 습득한다. 그리고 확률적 모델, 추론방식, 학습방식들이 어떻게 컴퓨터비전 그리고 로보틱스 등의 응용분야에 적용되는지 알아본다.전선 / 대학원
유전학의 여러 분야중 작물유전육종학에 근본이 되는 멘델유전학, 양적유전학, 집단유전학을 중점적으로 다룬다. 멘델유전학의 유전양식을 이용한 가계도분석 및 양적유전학의 표현형분산, 유전형분산 및 환경분산을 계산하고 유전력과 선발효율을 통한 농작물 개량의 기대치를 알아내며 집단유전학의 유전자빈도 및 유전형빈도가 집단내에서 영향을 받는 여러 요인들에 대하여 강의한다.전선 / 대학원
이 과목은 ‘도시통계분석’의 고급과정으로서 도시 연구에서 제기되는 문제들을 계량적으로 분석하는 데 사용되는 방법의 원리와 응용방법을 심도 있게 살펴보는 데 목적이 있다. 이 과목을 수강한 학생들은 계량분석을 이용한 최신의 도시 연구 논문들을 이해할 수 있고, 자신의 연구 질문에 맞는 자료와 분석방법을 이용하여 스스로 접근할 수 있는 능력을 갖추게 될 것이다. 세부적으로 고전적 선형회귀 모형, 일반화 선형모형(generalized linear models), 연립방정식모형(simultaneous equations models), 패널자료 모형(panel data models), 다수준 회귀모형(multi-level regression models), 이산선택모형(discrete choice models), 시계열분석(time series analysis), 공간계량분석(spatial econometrics) 등을 학습하게 된다. 수업시간을 통해 기본 원리를 습득할 뿐만 아니라, 과제를 통해 Stata 등 통계 패키지(학생선택에 따라 R, Python, MATLAB 등을 이용할 수도 있음)를 이용하여 실제 자료에 분석방법을 적용하는 실습을 할 기회를 갖는다.전선 / 학사
이 과목에서는 데이터를 분석하여 유용한 정보를 추출하고 모델을 만들어 예측에 사용하는 데이터 마이닝의 중요한 알고리즘, 기반 기술, 대용량 데이터를 효과적으로 처리하는 마이닝 기술 등을 학습한다. 특히 이러한 목적을 위한 기계 학습의 실용적인 기초와 새로운 패러다임을 소개하여 여러 실제 세계 도메인 응용에 어떻게 적용하는지 학습한다.전선 / 대학원
이 과목은 ‘도시통계분석’의 고급과정으로서 도시 연구에서 제기되는 문제들을 계량적으로 분석하는 데 사용되는 방법의 원리와 응용방법을 심도 있게 살펴보는 데 목적이 있다. 이 과목을 수강한 학생들은 계량분석을 이용한 최신의 도시 연구 논문들을 이해할 수 있고, 자신의 연구 질문에 맞는 자료와 분석방법을 이용하여 스스로 접근할 수 있는 능력을 갖추게 될 것이다. 세부적으로 고전적 선형회귀 모형, 일반화 선형모형(generalized linear models), 연립방정식모형(simultaneous equations models), 패널자료 모형(panel data models), 다수준 회귀모형(multi-level regression models), 이산선택모형(discrete choice models), 시계열분석(time series analysis), 공간계량분석(spatial econometrics) 등을 학습하게 된다. 수업시간을 통해 기본 원리를 습득할 뿐만 아니라, 과제를 통해 Stata 등 통계 패키지(학생선택에 따라 R, Python, MATLAB 등을 이용할 수도 있음)를 이용하여 실제 자료에 분석방법을 적용하는 실습을 할 기회를 갖는다.전선 / 대학원
최근 보건 분야에서도, 제약 산업의 신약 개발 프로세스와 바이오인포메틱스 산업군에 대한 지식과 필요성이 그 어느 때 보다 높아 임상 디자인과 관련되는 통계 방법에 대한 필요성이 증대되고 있다.이에 임상시험 관련 내용과 이를 위한 통계분석 기법에 대한 강의를 개설하고자 한다. : 본 강의는 보건대학원 학생들을 위해 전통적인 통계학의 방법 뿐만 아니라 실제 업무 현장에서 이슈가 되고 있는 통계적 주제에 대해서도 다루는 강의이다. 강의 주제는 크게 3개의 주제로 나뉘며 <1. 전통적인 통개학 개론 2. R을 이용한 추정, 검정 및 기술 통계적 내용에 대한 구현 3. 보건의료 산업현장에서 이슈가 되고 있는 실무적인 내용에 대한 개론>이 그 3개의 주제이다.전선 / 대학원
이 과목은 ‘도시통계분석’의 고급과정으로서 도시 연구에서 제기되는 문제들을 계량적으로 분석하는 데 사용되는 방법의 원리와 응용방법을 심도 있게 살펴보는 데 목적이 있다. 이 과목을 수강한 학생들은 계량분석을 이용한 최신의 도시 연구 논문들을 이해할 수 있고, 자신의 연구 질문에 맞는 자료와 분석방법을 이용하여 스스로 접근할 수 있는 능력을 갖추게 될 것이다. 세부적으로 고전적 선형회귀 모형, 일반화 선형모형(generalized linear models), 연립방정식모형(simultaneous equations models), 패널자료 모형(panel data models), 다수준 회귀모형(multi-level regression models), 이산선택모형(discrete choice models), 시계열분석(time series analysis), 공간계량분석(spatial econometrics) 등을 학습하게 된다. 수업시간을 통해 기본 원리를 습득할 뿐만 아니라, 과제를 통해 Stata 등 통계 패키지(학생선택에 따라 R, Python, MATLAB 등을 이용할 수도 있음)를 이용하여 실제 자료에 분석방법을 적용하는 실습을 할 기회를 갖는다.전선 / 대학원
농식품관련산업의 주요 이슈들에 대한 경제학적 실증 분석기법을 학습하고, 이를 실제 자료에 적용하여 동 분야의 실증적 연구 수행에 기초를 마련한다. 실증적인 연구 수행을 위하여 기존 발표 논문에 대한 체계적인 검토를 시도한다.전선 / 대학원
본 교과목은 데이터사이언스 대학원의 ABC(AI model/algorithm, Big data, Computing) 교육 과정 중 컴퓨팅(C) 분야 첫번째 강좌이다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template과 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현 할 수 있도록 한다. 또, (3) Pytorch, TensorFLow 등 널리 사용되는 딥러닝 플랫폼을 학습하고, 동일 학기 수강이 권장되는 머신러닝 및 딥러닝 1(ABC 과정 중 A 분야 첫번째 강좌)에서 배운 딥러닝의 기본 원리들을 직접 구현하고, 이에 더하여 상기 플랫폼을 통해 구현 할 수 있도록 한다.전필 / 학사
본 강의는 데이터과학의 방법을 사회 자료 통계 분석에 이용하는 능력을 갖출 수 있도록 한다. 기술 및 추론 통계의 기본 방법론을 사회학 연구 설계와 경험 분석의 관점에서 다루고, 프로그래밍 언어 습득을 통해 자료 시각화와 통계 분석을 수행할 수 있는 능력을 함양시킨다.전선 / 대학원
본 교과목은 학생들에게 단위동물 사료내 이용가능한 영양소 함량을 정확하게 평가할 수 있도록 도와 준다. 최근 여러 가지 사료가치 평가 분야에서 이루어진 기술혁신을 소개하고 이 가운데는 in-vitro소화율, 아미노산 생체이용률, 내생아미노산 손실 등의 측정방법을 소개하고 있다. 또한 경제동물, 특히 단위동물에게 이용 가능한 원료사료 내 에너지함량을 정확하게 측정하여 사료배합비 작성에 적용하도록 돕고 있다.전선 / 대학원
본 교과목은 유전자 가위인 TALEN과 CRISPR/Cas를 이용하여 핵, 미토콘드리아 및 엽록체 DNA의 염기 삽입, 결실 및 치환을 유도하는 유전체교정에 대한 기초 지식을 전달하고 최신 연구 동향을 소개한다. 빠르게 발전하고 있는 작물 분야의 유전체교정 연구에 필요한 배경 지식과 실험 기법의 기초 원리 습득을 목표로 한다. 특히 삽입-결실 뿐만 아니라 염기교정 및 프라임교정과 같은 다양한 유전체교정 기술을 자세히 다루며, 인간 세포 기반으로 개발된 최신 유전자 가위의 작물 최적화 방법에 대해 살펴본다. 궁극적으로 작물 유전체교정에 대한 대학원생들의 이해도를 높이고 기후변화 대응에 필요한 환경 적응형 작물 개발에서 응용 가능성과 전망을 소개한다.전선 / 학사
통계분석 결과를 정확히 이해·해석하기 위한 확률과 기술통계, 가설검정, F 분포와 분산분석, 회귀·상관, 범주형·빈도 분석을 다룬 뒤, 머신러닝의 핵심 개념을 가볍게 소개한다. 간단한 분류·회귀·군집 알고리즘 및 기초적 모델 해석 가능성과 윤리·편향 이슈를 실습 중심으로 학습한다.전선 / 대학원
고급 확률 그래프 모형(PGM)은 많은 수의 변수가 상호작용하는 복잡한 도메인에 대한 확률 분포를 표현하는 효과적인 방법이다. 따라서 확률 그래프 모형은 의료진단, 이미지 및 음성인식, 스포츠통계, 생물정보학 등과 같은 다양한 분야에 적용되는 머신러닝 방법들의 핵심적인 역할을 한다. 이 강의는 방향성 그래프를 이용하는 베이지안 네트워크; 무방향성 그래프를 사용하는 마르코프 네트워크의 이론적 성질과 학습 방법 그리고 실제 적용 사례를 설명한다.