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 Hidden Markov models for bioinformatics

دانلود کتاب مدل های مخفی مارکوف برای بیوانفورماتیک

مشخصات کتاب

Hidden Markov models for bioinformatics

ویرایش:  
نویسندگان: Timo Koski  
سری: Computational biology, v. 2 
ISBN (شابک) : 1402001355, 9781402001369 
ناشر: Kluwer  
سال نشر: 2001 
تعداد صفحات: 404 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 مگابایت

قیمت کتاب (تومان) : 52,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 18

در صورت تبدیل فایل کتاب Hidden Markov models 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 مدل های مخفی مارکوف برای بیوانفورماتیک 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 مدل های مخفی مارکوف برای بیوانفورماتیک

هدف این کتاب ارائه مقدمه ای کامل و سیستماتیک بر مدل سازی احتمالاتی در بیوانفورماتیک است. این کتاب شامل ارائه ریاضی دقیق و گسترده ای از مدل های احتمالی است که در تجزیه و تحلیل ژنوم مفید هستند. سوالات استنتاج پارامتریک، انتخاب بین خانواده‌های مدل، و معماری‌های مختلف بررسی می‌شوند. چندین نمونه از معماری های شناخته شده (مانند HMM پروفایل) که در تجزیه و تحلیل ژنوم استفاده می شود، ارائه شده است.

توضیحاتی درمورد کتاب به خارجی

The purpose of this book is to give a thorough and systematic introduction to probabilistic modeling in bioinformatics. The book contains a mathematically strict and extensive presentation of the kind of probabilistic models that have turned out to be useful in genome analysis. Questions of parametric inference, selection between model families, and various architectures are treated. Several examples are given of known architectures (e.g., profile HMM) used in genome analysis.