مشخصات کتاب

Kernel Methods in Computational Biology

ویرایش:  
نویسندگان: Bernhard Schölkopf,  Koji Tsuda,  Jean-Philippe Vert  
سری: Computational Molecular Biology 
ISBN (شابک) : 0262195097, 9780262195096 
ناشر: The MIT Press 
سال نشر: 2004 
تعداد صفحات: 416
[396] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

در صورت تبدیل فایل کتاب Kernel Methods in Computational 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 های هسته در زیست شناسی محاسباتی 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 روش های هسته در زیست شناسی محاسباتی

ثابت شده است که تکنیک های یادگیری ماشین مدرن برای تجزیه و تحلیل داده ها در مسائل زیست شناسی محاسباتی بسیار ارزشمند هستند. یکی از شاخه‌های یادگیری ماشین، روش‌های هسته، به‌ویژه به جنبه‌های دشوار داده‌های بیولوژیکی، که شامل ابعاد بالا (مانند اندازه‌گیری‌های ریزآرایه)، نمایش به‌عنوان داده‌های گسسته و ساختار یافته (مانند توالی‌های DNA یا اسید آمینه) و نیاز به ترکیب منابع ناهمگن اطلاعات این کتاب یک نمای کلی از تحقیقات جاری در روش‌های هسته و کاربردهای آن‌ها در زیست‌شناسی محاسباتی ارائه می‌کند. به دنبال سه فصل مقدماتی - مقدمه‌ای بر زیست‌شناسی مولکولی و محاسباتی، مروری کوتاه بر روش‌های هسته که بر مفاهیم شهودی تمرکز دارد تا جزئیات فنی، و بررسی دقیق کاربردهای اخیر روش‌های هسته در زیست‌شناسی محاسباتی - این کتاب به سه بخش تقسیم می‌شود که منعکس‌کننده سه روند کلی در تحقیقات فعلی است. بخش اول ایده های مختلفی را برای طراحی توابع هسته به طور خاص با داده های بیولوژیکی مختلف ارائه می دهد. بخش دوم رویکردهای مختلف یادگیری از داده های ناهمگن را پوشش می دهد. و بخش سوم نمونه هایی از کاربردهای موفق روش های ماشین بردار پشتیبان را ارائه می دهد.

توضیحاتی درمورد کتاب به خارجی

Modern machine learning techniques are proving to be extremely valuable for the analysis of data in computational biology problems. One branch of machine learning, kernel methods, lends itself particularly well to the difficult aspects of biological data, which include high dimensionality (as in microarray measurements), representation as discrete and structured data (as in DNA or amino acid sequences), and the need to combine heterogeneous sources of information. This book provides a detailed overview of current research in kernel methods and their applications to computational biology.Following three introductory chapters -- an introduction to molecular and computational biology, a short review of kernel methods that focuses on intuitive concepts rather than technical details, and a detailed survey of recent applications of kernel methods in computational biology -- the book is divided into three sections that reflect three general trends in current research. The first part presents different ideas for the design of kernel functions specifically adapted to various biological data; the second part covers different approaches to learning from heterogeneous data; and the third part offers examples of successful applications of support vector machine methods.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Tricylic intermediates for the synthesis of steroids

دانلود کتاب The Teeth of Non-Mammalian Vertebrates

دانلود کتاب An Introduction to Star Formation

دانلود کتاب DK Life Stories Nelson Mandela

دانلود کتاب A Practical Approach for Machine Learning and Deep Learning Algorithms: Tools and Techniques Using MATLAB and Python