Machine Learning in Biological Sciences: Updates and Future Prospects

این کتاب مروری بر کاربردهای یادگیری ماشینی (ML) در زمینه‌های مختلف علوم زیستی، از جمله مراقبت‌های بهداشتی، علوم حیوانی، کشاورزی، و علوم گیاهی ارائه می‌کند. یادگیری ماشینی کاربردهای عمده ای در مدل سازی فرآیند، بینایی کامپیوتری، پردازش سیگنال، تشخیص گفتار، و درک و پردازش زبان و علوم زندگی و سلامت دارد. این به طور فزاینده ای در درک الگوهای DNA و در پزشکی دقیق استفاده می شود. این کتاب به هشت بخش اصلی تقسیم شده است که هر بخش شامل فصل هایی است که کاربرد ML را در زمینه خاصی توضیح می دهد. کتاب با ارائه مقدمه ای بر ML و روش های مختلف ML آغاز می شود. سپس جنبه های جالب و به موقع مانند کاربرد در ژنتیک، زیست شناسی سلولی، مطالعه برهمکنش های گیاه و پاتوژن و رفتار حیوانات را پوشش می دهد. این کتاب روش‌های محاسباتی برای پیش‌بینی سمیت مواد شیمیایی و داروها را مورد بحث قرار می‌دهد، که دامنه اصلی تحقیقات در زمینه زیست‌شناسی را تشکیل می‌دهد.

برای دانشجویان و محققین فوق‌لیسانس که علاقه‌مند به کاوش در زمینه‌های بین‌رشته‌ای استفاده از یادگیری ماشین و یادگیری عمیق در علوم زیستی هستند، مرتبط است.

This book gives an overview of applications of Machine Learning (ML) in diverse fields of biological sciences, including healthcare, animal sciences, agriculture, and plant sciences. Machine learning has major applications in process modelling, computer vision, signal processing, speech recognition, and language understanding and processing and life, and health sciences. It is increasingly used in understanding DNA patterns and in precision medicine. This book is divided into eight major sections, each containing chapters that describe the application of ML in a certain field. The book begins by giving an introduction to ML and the various ML methods. It then covers interesting and timely aspects such as applications in genetics, cell biology, the study of plant-pathogen interactions, and animal behavior. The book discusses computational methods for toxicity prediction of environmental chemicals and drugs, which forms a major domain of research in the field of biology.  

It is of relevance to post-graduate students and researchers interested in exploring the interdisciplinary areas of use of machine learning and deep learning in life sciences.