دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Eva Armengol, Enric Plaza (auth.), Werner Dubitzky, Francisco Azuaje (eds.) سری: Computational Biology 5 ISBN (شابک) : 9781402028595, 9781402028656 ناشر: Springer Netherlands سال نشر: 2004 تعداد صفحات: 230 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب روش ها و ابزارهای هوش مصنوعی برای زیست شناسی سیستم ها: هوش مصنوعی (شامل رباتیک)، علوم کامپیوتر، عمومی، علوم زیستی، عمومی، زیست شناسی تکاملی
در صورت تبدیل فایل کتاب Artificial Intelligence Methods And Tools For Systems Biology به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب روش ها و ابزارهای هوش مصنوعی برای زیست شناسی سیستم ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب به طور همزمان یک طرح اولیه طراحی، راهنمای کاربر، دستور کار تحقیقاتی، و پلت فرم ارتباطی برای تحولات فعلی و آینده در رویکردهای هوش مصنوعی (AI) به زیست شناسی سیستم ها ارائه می دهد. این کتاب بر بعد مولکولی پدیدههای زندگی و در یک فصل بر مدلسازی آناتومیکی و عملکردی مغز تأکید میکند.
به عنوان طرح اولیه، این کتاب برای دانشمندان و سایر متخصصان وظیفه توسعه و استفاده از هوش مصنوعی در نظر گرفته شده است. فن آوری ها در زمینه تحقیقات علوم زیستی. به عنوان یک راهنمای کاربر، این جلد به نیازهای محققان برای به دست آوردن درک اساسی از روشهای کلیدی هوش مصنوعی برای تحقیقات علوم زیستی میپردازد. تاکید آن بر یک درمان ریاضی پیچیده روشهای هوش مصنوعی ارائهشده نیست. در عوض، هدف آن ارائه درک روشن و دانش عملی از روش ها به کاربران است. به عنوان یک دستور کار پژوهشی، این کتاب برای دانشجویان، معلمان، محققان و مدیران علوم کامپیوتر و علوم زیستی در نظر گرفته شده است که می خواهند وضعیت هنر روش های ارائه شده و زمینه هایی را که در آن شکاف های دانش ما نیاز به تحقیق و توسعه بیشتر دارد، درک کنند. هدف ما حفظ خوانایی و در دسترس بودن یک کتاب درسی در سرتاسر فصل ها بود، به جای تدوین یک کتابچه راهنمای مرجع صرف. این کتاب همچنین به عنوان یک پلت فرم ارتباطی در نظر گرفته شده است که به دنبال ایجاد شکاف فرهنگی و فناوری در میان رشته های زیست شناسی سیستم های کلیدی است. برای حمایت از این عملکرد، مشارکتکنندگان اصطلاحات و رویکردی را اتخاذ کردهاند که برای مخاطبان با پیشینههای مختلف جذاب است.
This book provides simultaneously a design blueprint, user guide, research agenda, and communication platform for current and future developments in artificial intelligence (AI) approaches to systems biology. It places an emphasis on the molecular dimension of life phenomena and in one chapter on anatomical and functional modeling of the brain.
As design blueprint, the book is intended for scientists and other professionals tasked with developing and using AI technologies in the context of life sciences research. As a user guide, this volume addresses the requirements of researchers to gain a basic understanding of key AI methodologies for life sciences research. Its emphasis is not on an intricate mathematical treatment of the presented AI methodologies. Instead, it aims at providing the users with a clear understanding and practical know-how of the methods. As a research agenda, the book is intended for computer and life science students, teachers, researchers, and managers who want to understand the state of the art of the presented methodologies and the areas in which gaps in our knowledge demand further research and development. Our aim was to maintain the readability and accessibility of a textbook throughout the chapters, rather than compiling a mere reference manual. The book is also intended as a communication platform seeking to bride the cultural and technological gap among key systems biology disciplines. To support this function, contributors have adopted a terminology and approach that appeal to audiences from different backgrounds.
Lazy Learning for Predictive Toxicology based on a Chemical Ontology....Pages 1-18
QSAR Modeling of Mutagenicity on Non-Congeneric Sets of Organic Compounds....Pages 19-35
Characterizing Gene Expression Time Series using a Hidden Markov Model....Pages 37-50
Analysis of Large-Scale mRNA Expression Data Sets by Genetic Algorithms....Pages 51-66
A Data-Driven, Flexible Machine Learning Strategy for the Classification of Biomedical Data....Pages 67-85
Cooperative Metaheuristics for Exploring Proteomic Data....Pages 87-106
Integrating Gene Expression Data, Protein Interaction Data, and Ontology-Based Literature Searches....Pages 107-127
Ontologies in Bioinformatics and Systems Biology....Pages 129-145
Natural Language Processing and Systems Biology....Pages 147-173
Systems Level Modeling of Gene Regulatory Networks....Pages 175-195
Computational Neuroscience for Cognitive Brain Functions....Pages 197-215