برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Bioinformatics: the machine learning approach

دانلود کتاب بیوانفورماتیک: روش یادگیری ماشین

مشخصات کتاب

Bioinformatics: the machine learning approach

دسته بندی: مولکولی: بیوانفورماتیک
ویرایش: 2 
نویسندگان: Pierre Baldi. SÃ¸ren Brunak  
سری: Adaptive Computation and Machine Learning 
ISBN (شابک) : 026202506X, 9780262025065 
ناشر: The MIT Press 
سال نشر: 2001 
تعداد صفحات: 477 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 32,000

کلمات کلیدی مربوط به کتاب بیوانفورماتیک: روش یادگیری ماشین: رشته های زیستی، روش های ریاضی و مدل سازی در زیست شناسی، بیوانفورماتیک

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 8

در صورت تبدیل فایل کتاب Bioinformatics: the machine learning approach 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 بیوانفورماتیک: روش یادگیری ماشین 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.

توضیحاتی در مورد کتاب بیوانفورماتیک: روش یادگیری ماشین

حجم بی سابقه ای از داده ها توسط پروژه های توالی یابی ژنوم و سایر تلاش های تجربی برای تعیین ساختار و عملکرد مولکول های بیولوژیکی تولید می شود. تقاضاها و فرصت ها برای تفسیر این داده ها به سرعت در حال گسترش است. بیوانفورماتیک توسعه و کاربرد روش های کامپیوتری برای مدیریت، تجزیه و تحلیل، تفسیر و پیش بینی و همچنین برای طراحی آزمایش ها است. رویکردهای یادگیری ماشین (به عنوان مثال، شبکه های عصبی، مدل های مارکوف پنهان، و شبکه های اعتقادی) به طور ایده آل برای مناطقی که داده های زیادی وجود دارد اما تئوری کمی وجود دارد، مناسب هستند، که این وضعیت در زیست شناسی مولکولی است. هدف در یادگیری ماشینی استخراج اطلاعات مفید از مجموعه ای از داده ها با ساخت مدل های احتمالی خوب - و خودکار کردن فرآیند تا حد امکان است. در این کتاب پیر بالدی و سورن بروناک رویکردهای کلیدی یادگیری ماشین را ارائه کرده و آنها را برای مشکلات محاسباتی که در تجزیه و تحلیل داده‌های بیولوژیکی با آن مواجه می‌شوند، به کار می‌برند. هدف این کتاب هم زیست‌شناسان و هم بیوشیمیست‌هایی است که نیاز به درک الگوریتم‌های مبتنی بر داده‌های جدید دارند و هم برای کسانی که پیش‌زمینه اولیه‌ای در فیزیک، ریاضیات، آمار یا علوم کامپیوتر دارند و نیاز به دانستن بیشتر در مورد کاربردها در زیست‌شناسی مولکولی دارند. این ویرایش دوم جدید شامل پوشش گسترده‌ای از مدل‌های گرافیکی احتمالی و کاربردهای شبکه‌های عصبی، و همچنین فصل جدیدی در ریزآرایه‌ها و بیان ژن است. کل متن به طور گسترده اصلاح شده است.

توضیحاتی درمورد کتاب به خارجی

An unprecedented wealth of data is being generated by genome sequencing projects and other experimental efforts to determine the structure and function of biological molecules. The demands and opportunities for interpreting these data are expanding rapidly. Bioinformatics is the development and application of computer methods for management, analysis, interpretation, and prediction, as well as for the design of experiments. Machine learning approaches (e.g., neural networks, hidden Markov models, and belief networks) are ideally suited for areas where there is a lot of data but little theory, which is the situation in molecular biology. The goal in machine learning is to extract useful information from a body of data by building good probabilistic models--and to automate the process as much as possible. In this book Pierre Baldi and Søren Brunak present the key machine learning approaches and apply them to the computational problems encountered in the analysis of biological data. The book is aimed both at biologists and biochemists who need to understand new data-driven algorithms and at those with a primary background in physics, mathematics, statistics, or computer science who need to know more about applications in molecular biology. This new second edition contains expanded coverage of probabilistic graphical models and of the applications of neural networks, as well as a new chapter on microarrays and gene expression. The entire text has been extensively revised.