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 Data Mining for Bioinformatics

دانلود کتاب داده کاوی برای Bioinformatics

مشخصات کتاب

Data Mining for Bioinformatics

دسته بندی: مولکولی: بیوانفورماتیک
ویرایش: 1 
نویسندگان: Sumeet Dua. Pradeep Chowriappa  
سری:  
ISBN (شابک) : 9781420004304, 9780849328015 
ناشر: CRC Press 
سال نشر: 2012 
تعداد صفحات: 341 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت

قیمت کتاب (تومان) : 43,000

کلمات کلیدی مربوط به کتاب داده کاوی برای Bioinformatics: رشته های زیستی، روش های ریاضی و مدل سازی در زیست شناسی، بیوانفورماتیک

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 11

در صورت تبدیل فایل کتاب Data Mining for Bioinformatics 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 داده کاوی برای Bioinformatics 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 داده کاوی برای Bioinformatics

تئوری، الگوریتم‌ها و روش‌ها و همچنین فناوری‌های داده کاوی را پوشش می‌دهد، داده کاوی برای بیوانفورماتیک بحث جامعی از محاسبات فشرده داده مورد استفاده در داده‌کاوی با کاربردهای بیوانفورماتیک ارائه می‌کند. این یک نمای کلی گسترده و در عین حال عمیق از حوزه های کاربردی داده کاوی برای بیوانفورماتیک ارائه می کند تا به خوانندگانی از هر دو زمینه زیست شناسی و علوم کامپیوتر کمک کند تا درک بهتری از این زمینه بین رشته ای به دست آورند.

این کتاب پوشش معتبری از تکنیک‌ها، فناوری‌ها و چارچوب‌های داده کاوی را ارائه می‌کند که برای ذخیره، تجزیه و تحلیل و استخراج دانش از پایگاه‌های داده بزرگ در حوزه‌های بیوانفورماتیک، از جمله ژنومیک و پروتئومیکس استفاده می‌شوند. با توصیف تکامل بیوانفورماتیک و برجسته کردن چالش‌هایی که می‌توان با استفاده از تکنیک‌های داده کاوی به آنها پرداخت، آغاز می‌شود. با معرفی تکنیک‌های مختلف داده‌کاوی که می‌توانند در پایگاه‌های اطلاعاتی بیولوژیکی استفاده شوند، متن در چهار بخش سازمان‌دهی می‌شود:

یک نمای کلی از تکامل این رشته و تلاقی آن با یادگیری محاسباتی ارائه می‌کند. LI>
نقش داده‌کاوی را در تجزیه و تحلیل پایگاه‌های داده بیولوژیکی بزرگ توصیف می‌کند – توضیح دادن نفس تکنیک‌های مختلف انتخاب ویژگی و استخراج ویژگی که داده‌کاوی ارائه می‌دهد
بر مفاهیم یادگیری بدون نظارت با استفاده از خوشه‌بندی تمرکز می‌کند. تکنیک‌ها و کاربرد آن در داده‌های بیولوژیکی بزرگ
یادگیری تحت نظارت را با استفاده از تکنیک‌های طبقه‌بندی که بیشتر در بیوانفورماتیک مورد استفاده قرار می‌گیرد را پوشش می‌دهد - به نیاز به اعتبارسنجی و محک زدن استنتاج‌های به دست آمده با استفاده از خوشه‌بندی یا طبقه‌بندی

این کتاب پایگاه‌های اطلاعاتی بیولوژیکی مختلفی را که در بیوانفورماتیک به آنها اشاره می‌شود، توصیف می‌کند و فهرستی مفصل از کاربردهای الگوریتم‌های خوشه‌بندی پیشرفته مورد استفاده در بیوانفورماتیک را شامل می‌شود. با برجسته کردن چالش‌هایی که در طول کاربرد طبقه‌بندی در پایگاه‌های اطلاعاتی بیولوژیکی با آن مواجه می‌شویم، سیستم‌های طبقه‌بندی‌کننده‌های منفرد و گروهی را در نظر می‌گیرد و نکات صرفه‌جویی در تلاش را برای انتخاب مدل و استراتژی‌های برآورد عملکرد به اشتراک می‌گذارد.

توضیحاتی درمورد کتاب به خارجی

Covering theory, algorithms, and methodologies, as well as data mining technologies, Data Mining for Bioinformatics provides a comprehensive discussion of data-intensive computations used in data mining with applications in bioinformatics. It supplies a broad, yet in-depth, overview of the application domains of data mining for bioinformatics to help readers from both biology and computer science backgrounds gain an enhanced understanding of this cross-disciplinary field.

The book offers authoritative coverage of data mining techniques, technologies, and frameworks used for storing, analyzing, and extracting knowledge from large databases in the bioinformatics domains, including genomics and proteomics. It begins by describing the evolution of bioinformatics and highlighting the challenges that can be addressed using data mining techniques. Introducing the various data mining techniques that can be employed in biological databases, the text is organized into four sections:

Supplies a complete overview of the evolution of the field and its intersection with computational learning
Describes the role of data mining in analyzing large biological databases—explaining the breath of the various feature selection and feature extraction techniques that data mining has to offer
Focuses on concepts of unsupervised learning using clustering techniques and its application to large biological data
Covers supervised learning using classification techniques most commonly used in bioinformatics—addressing the need for validation and benchmarking of inferences derived using either clustering or classification

The book describes the various biological databases prominently referred to in bioinformatics and includes a detailed list of the applications of advanced clustering algorithms used in bioinformatics. Highlighting the challenges encountered during the application of classification on biological databases, it considers systems of both single and ensemble classifiers and shares effort-saving tips for model selection and performance estimation strategies.