首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

R语言之细胞检测工具DoubletFinder

细胞的定义是一个液滴或一个微孔中包含了2个或多个细胞 。根据Poisson分布,单个液滴包含超过一个细胞(doublets或multiplets)的频率随着上机细胞的浓度而改变。...一种称之为内嵌细胞,在这种情况下,doublet和真正存在的某种细胞类型有相似的基因表达,doublet会和这些细胞被聚类到一起,同时在分群结果中占某一个群的一小部分,不会对最终的分析结果产生严重的影响...另一种情况称之为新型细胞,在这种情况下,doublet会构成一个和现有的细胞类型基因表达非常不同的群,而这个新的群会严重影响到后续的分析结果。...其原理是从现有的矩阵的细胞中根据我们预先定义好的细胞类型模拟一些细胞出来(比如单核和T细胞的细胞、B细胞和中性粒细胞的细胞等等),将模拟出的细胞和原有矩阵的细胞混合在一起,进行降维聚类,原则上合成...(引自:https://doi.org/10.1016/j.cels.2019.03.003) 当然,以上方法都存在一个不足,那就是他们并不能解决同一细胞marker表达的情况以及单细胞UMI含量过高问题

7.2K11
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Spark机器学习实战 (十二) - 推荐系统实战

    推荐系统项目中,讲解了推荐系统基本原理以及实现推荐系统的架构思路,有其他相关研发经验基础的同学可以结合以往的经验,实现自己的推荐系统。...1 推荐系统简介 1.1 什么是推荐系统 1.2 推荐系统的作用 1.2.1 帮助顾客快速定位需求,节省时间 1.2.2 大幅度提高销售量 1.3 推荐系统的技术思想 1.3.1 推荐系统是一种机器学习的工程应用...Chih-Jen) 2 推荐系统原理 可能是推荐系统最详细且简单的入门教程 官方文档指南 协同过滤 协同过滤通常用于推荐系统。...MovieLens有一个网站,您可以注册,贡献自己的评分,并接收由GroupLens组实施的几个推荐者算法这里之一的推荐内容。...基于Spark的机器学习实践 (九) - 聚类算法 基于Spark的机器学习实践 (十) - 降维算法 基于Spark的机器学习实践(十一) - 文本情感分类项目实战 基于Spark的机器学习实践 (十二

    1.1K30

    Spark机器学习实战 (十二) - 推荐系统实战

    推荐系统项目中,讲解了推荐系统基本原理以及实现推荐系统的架构思路,有其他相关研发经验基础的同学可以结合以往的经验,实现自己的推荐系统。...1 推荐系统简介 1.1 什么是推荐系统 [1240] [1240] [1240] 1.2 推荐系统的作用 1.2.1 帮助顾客快速定位需求,节省时间 1.2.2 大幅度提高销售量 1.3 推荐系统的技术思想...1.3.1 推荐系统是一种机器学习的工程应用 1.3.2 推荐系统基于知识发现原理 1.4 推荐系统的工业化实现 Apache Spark [1240] Apache Mahout [1240] SVDFeature...(C++) [1240] LibMF(C+ +,Lin Chih-Jen) [1240] 2 推荐系统原理 [1240] 可能是推荐系统最详细且简单的入门教程 官方文档指南 协同过滤 协同过滤通常用于推荐系统...Spark的机器学习实践 (九) - 聚类算法 基于Spark的机器学习实践 (十) - 降维算法 基于Spark的机器学习实践(十一) - 文本情感分类项目实战 基于Spark的机器学习实践 (十二

    2.9K40

    首次揭秘1112背后的云数据库技术!| Q推荐

    从 2009 年到 2021 年,从千万交易额到千亿交易额, 11 已经开展了 12 年。如今,每年的 11 以及一个月后的 12,已经成为真正意义上的全民购物狂欢节。...刚刚过去的 2021 年 11,就有超过 8 亿消费者参与。 与攀升的交易额和参与人数相反, 11 的主要阵地“淘宝 APP”、 12 的主要阵地“天猫 APP”的崩溃情况逐年减少近无。...是什么样的数据库撑起了 2021 年的 11 12 的稳定进行?...《数据 Cool 谈》第三期,阿里巴巴大淘宝技术部 12 队长朱成、阿里巴巴业务平台 11 队长徐培德、阿里巴巴数据库 11 队长陈锦赋与 InfoQ 主编王一鹏,一同揭秘了 11 12 背后的数据库技术...在 11 12,这种方式的弊端会被进一步放大。数据显示,在 11 秒杀系统中,秒杀峰值交易数据每秒超过 50 万笔,是一个非常典型的电商秒杀场景。

    31.8K50

    机器学习(二十二) ——推荐系统基础理论

    机器学习(二十二)——推荐系统基础理论 (原创内容,转载请注明来源,谢谢) 一、概述 推荐系统(recommendersystem),作为机器学习的应用之一,在各大app中都有应用。...这里以用户评价电影、电影推荐为例,讲述推荐系统。 最简单的理解方式,即假设有两类电影,一类是爱情片,一类是动作片,爱情片3部,动作片2部,共有四个用户参与打分,分值在0~5分。...这里基于内容的推荐,可以认为给定样本的特征x,求θ的过程。...这样,对于每一个新用户,在还没进行评价之前,会预测其对每个电影的评价是均值,这也就表示给新用户推荐电影时,会按均值,把均值较高的电影推荐给用户,这个比较符合常理。...七、总结 这里的推荐系统,可以算是一个引子,只介绍了推荐系统的一些基础思想,对于真正完整的推荐系统,还有需要内容等待探索。后续我也会继续这方面的学习。

    1.2K30

    推荐系统遇上深度学习(十二)--推荐系统中的EE问题及基本Bandit算法

    1、推荐系统中的EE问题 Exploration and Exploitation(EE问题,探索与开发)是计算广告和推荐系统里常见的一个问题,为什么会有EE问题?...简单来说,是为了平衡推荐系统的准确性和多样性。...: 推荐系统遇上深度学习系列: 推荐系统遇上深度学习(一)--FM模型理论和实践 推荐系统遇上深度学习(二)--FFM模型理论和实践 推荐系统遇上深度学习(三)--DeepFM模型理论和实践 推荐系统遇上深度学习...(四)--多值离散特征的embedding解决方案 推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践 推荐系统遇上深度学习(六)--PNN模型理论和实践 推荐系统遇上深度学习...(七)--NFM模型理论和实践 推荐系统遇上深度学习(八)--AFM模型理论和实践 推荐系统遇上深度学习(九)--评价指标AUC原理及实践 推荐系统遇上深度学习(十)--GBDT+LR融合方案实战

    1.8K40

    推荐系统遇上深度学习(四十二)-使用图神经网络做基于会话的推荐

    1、背景介绍 现有基于会话的推荐,方法主要集中于循环神经网络和马尔可夫链,论文提出了现有方法的两个缺陷: 1)当一个会话中用户的行为数量十分有限时,这些方法难以获取准确的用户行为表示。...2)根据先前的工作发现,物品之间的转移模式在会话推荐中是十分重要的特征,但RNN和马尔可夫过程只对相邻的两个物品的单向转移关系进行建模,而忽略了会话中其他的物品。...针对上面的问题,作者提出使用图网络来做基于会话的推荐,其整个模型的框架如下图所示: ? 接下来,我们就来介绍一下这个流程吧。 2、模型介绍 2.1 符号定义 V={v1,v2,......2.5 给出推荐结果及模型训练 在最后的输出层,使用sh和每个物品的embedding进行内积计算: ? 并通过一个softmax得到最终每个物品的点击概率: ? 损失函数是交叉熵损失函数: ?...4、总结 本文使用图网络进行基于会话的推荐,效果还是不错的,而且图网络逐渐成为现在人工智能领域的一大研究热点。感兴趣的小伙伴们,咱们又有好多知识要学习啦,你行动起来了么?

    1.7K40

    面试官:为什么在系统中不推荐写?

    作业调度中间件 Elastic-Job 源码解析 分布式事务中间件 TCC-Transaction 源码解析 Eureka 和 Hystrix 源码解析 Java 并发源码 来源:孤独烟 引言 正文 背景介绍 写缺点...主要分为以下三个部分 (1)背景介绍 (2)写缺点 (3)改良方案 基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持...那么,写会带来什么坏处呢?OK,继续往下看! 写缺点 一致性问题打个比方我们现在有两个client,同时往两个DataSouce写数据。...如果采用写的方法,是避不开这个问题的! 那么有没有通用的办法来解决这些问题呢?有的,只要能按顺序记录数据的变更即可!那具体怎么做呢,我们继续往下看!...直接提取数据变化到kafka中,其他数据源从kafka中获取数据,避免了直接写从而导致一致性和原子性问题。 基于微服务的思想,构建在 B2C 电商场景下的项目实战。

    2.4K10

    TKDE2023 | 基于曲图学习的社交推荐算法

    TLDR: 本文将社交推荐任务建模在曲空间学习之下,并提出了一种基于曲图学习的社交推荐模型。...具体的,其设计了一个曲社交预训练模块以保留社交结构作为特征,并从显式的异质图学习和隐式的特征增强两方面缓解社交推荐存在的问题。...最近,一些研究探索了将图嵌入学习转移到曲空间的替代方法,曲空间可以保留现实世界图的层级结构。 然而,直接将当前的曲图嵌入模型应用于社交推荐并非易事,因为存在两大挑战:网络异质性和社交扩散噪声。...为了解决上述挑战,本文提出了一种基于曲图学习的社交推荐(HGSR)模型。首先,利用曲社交嵌入的预训练来探索社交结构,这可以保留社交网络的层级特性。...总之,本文提出了一种新颖的HGSR模型用于曲空间的社交推荐。为了利用社交影响扩散引入的异质性和噪声问题,设计了一种社交预训练增强的曲异质图学习方法。

    40110
    领券