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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Shi Yu, Léon-Charles Tranchevent, Bart De Moor, Yves Moreau (auth.) سری: Studies in Computational Intelligence 345 ISBN (شابک) : 3642194052, 9783642194054 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2011 تعداد صفحات: 228 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب هسته تلفیقی داده برای یادگیری ماشین: روش ها و کاربردها در بیوانفورماتیک و استخراج متن: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)، زیست شناسی محاسباتی/بیوانفورماتیک
در صورت تبدیل فایل کتاب Kernel-based Data Fusion for Machine Learning: Methods and Applications in Bioinformatics and Text Mining 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 هسته تلفیقی داده برای یادگیری ماشین: روش ها و کاربردها در بیوانفورماتیک و استخراج متن 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.
مشکلات ادغام داده ها اغلب در زمینه های مختلف ایجاد می شود. این کتاب مقدمه ای خاص برای مشکلات ترکیب داده ها با استفاده از ماشین های بردار پشتیبان ارائه می دهد. در بخش اول، این کتاب با بررسی مختصری از مدلهای افزودنی و اهداف ضریب رایلی در یادگیری ماشین آغاز میشود و سپس همجوشی هسته را به عنوان بسط افزودنی ماشینهای بردار پشتیبان در مسئله دوگانه معرفی میکند. بخش دوم چندین الگوریتم ادغام هسته جدید و برخی کاربردهای واقعی در یادگیری نظارت شده و بدون نظارت را ارائه می کند. بخش آخر کتاب ارزش تئوریها و الگوریتمهای پیشنهادی را در MerKator، یک نرمافزار باز برای شناسایی ژنهای مرتبط با بیماری بر اساس ادغام منابع دادههای ژنومی ناهمگن در گونههای مختلف، اثبات میکند.
موضوعات ارائه شده در این کتاب برای محققان یا دانشجویانی است
که از ماشین های بردار پشتیبانی استفاده می کنند. چندین موضوع
مطرح شده در این کتاب ممکن است برای زیست شناسان محاسباتی که می
خواهند با چالش های همجوشی داده ها در برنامه های کاربردی واقعی
مقابله کنند، جالب باشد. پیشینه مورد نیاز خواننده، دانش خوب
داده کاوی، یادگیری ماشین و جبر خطی است.
Data fusion problems arise frequently in many different fields. This book provides a specific introduction to data fusion problems using support vector machines. In the first part, this book begins with a brief survey of additive models and Rayleigh quotient objectives in machine learning, and then introduces kernel fusion as the additive expansion of support vector machines in the dual problem. The second part presents several novel kernel fusion algorithms and some real applications in supervised and unsupervised learning. The last part of the book substantiates the value of the proposed theories and algorithms in MerKator, an open software to identify disease relevant genes based on the integration of heterogeneous genomic data sources in multiple species.
The topics presented in this book are meant for researchers
or students who use support vector machines. Several topics
addressed in the book may also be interesting to
computational biologists who want to tackle data fusion
challenges in real applications. The background required of
the reader is a good knowledge of data mining, machine
learning and linear algebra.
Front Matter....Pages -
Introduction....Pages 1-26
Rayleigh Quotient-Type Problems in Machine Learning....Pages 27-37
L n -norm Multiple Kernel Learning and Least Squares Support Vector Machines....Pages 39-88
Optimized Data Fusion for Kernel k -means Clustering....Pages 89-107
Multi-view Text Mining for Disease Gene Prioritization and Clustering....Pages 109-144
Optimized Data Fusion for k -means Laplacian Clustering....Pages 145-172
Weighted Multiple Kernel Canonical Correlation....Pages 173-190
Cross-Species Candidate Gene Prioritization with MerKator....Pages 191-205
Conclusion....Pages 207-208
Back Matter....Pages -