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
ویرایش: نویسندگان: Maji P., Paul S سری: ISBN (شابک) : 9783319056296, 9783319056302 ناشر: Springer سال نشر: 2014 تعداد صفحات: 316 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Scalable pattern recognition algorithms. Applications in comp. biology and 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 الگوریتم های مقیاس پذیر تشخیص الگو برنامه های کاربردی در کامپ. زیست شناسی و 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.
این کتاب به نیاز به یک چارچوب یکپارچه میپردازد که توضیح میدهد چگونه محاسبات نرم و تکنیکهای یادگیری ماشین را میتوان به طور عاقلانه فرموله کرد و در ساخت مدلهای تشخیص الگوی کارآمد استفاده کرد. این متن هر دو تحقیقات تثبیت شده و پیشرفته را بررسی می کند و تعادل دقیقی از تئوری، الگوریتم ها و کاربردها ارائه می دهد، با تاکید خاصی که به کاربردهای زیست شناسی محاسباتی و بیوانفورماتیک داده می شود. ویژگی ها: ادغام روش های مختلف محاسبات نرم و یادگیری ماشین با وظایف تشخیص الگو. در مورد ادغام تکنیک های مختلف برای مدیریت عدم قطعیت ها در تصمیم گیری و استخراج کارآمد مجموعه داده های بیولوژیکی بزرگ بحث می کند. تأکید خاصی بر برنامه های کاربردی واقعی، مانند مجموعه داده های بیان ریزآرایه و تصاویر تشدید مغناطیسی ارائه می دهد. شامل مثال های متعدد و نتایج تجربی برای حمایت از مفاهیم نظری توصیف شده است. هر فصل را با رهنمودهایی برای تحقیقات آتی و کتابشناسی جامع به پایان می رساند.
This book addresses the need for a unified framework describing how soft computing and machine learning techniques can be judiciously formulated and used in building efficient pattern recognition models. The text reviews both established and cutting-edge research, providing a careful balance of theory, algorithms, and applications, with a particular emphasis given to applications in computational biology and bioinformatics. Features: integrates different soft computing and machine learning methodologies with pattern recognition tasks; discusses in detail the integration of different techniques for handling uncertainties in decision-making and efficiently mining large biological datasets; presents a particular emphasis on real-life applications, such as microarray expression datasets and magnetic resonance images; includes numerous examples and experimental results to support the theoretical concepts described; concludes each chapter with directions for future research and a comprehensive bibliography.
Front Matter....Pages i-xxii
Introduction to Pattern Recognition and Bioinformatics....Pages 1-42
Front Matter....Pages 43-43
Neural Network Tree for Identification of Splice Junction and Protein Coding Region in DNA....Pages 45-66
Design of String Kernel to Predict Protein Functional Sites Using Kernel-Based Classifiers....Pages 67-101
Front Matter....Pages 103-103
Rough Sets for Selection of Molecular Descriptors to Predict Biological Activity of Molecules....Pages 105-129
f -Information Measures for Selection of Discriminative Genes from Microarray Data....Pages 131-153
Identification of Disease Genes Using Gene Expression and Protein–Protein Interaction Data....Pages 155-170
Rough Sets for Insilico Identification of Differentially Expressed miRNAs....Pages 171-193
Front Matter....Pages 195-195
Grouping Functionally Similar Genes From Microarray Data Using Rough–Fuzzy Clustering....Pages 197-224
Mutual Information Based Supervised Attribute Clustering for Microarray Sample Classification....Pages 225-252
Possibilistic Biclustering for Discovering Value-Coherent Overlapping $$\\delta $$ δ -Biclusters....Pages 253-276
Fuzzy Measures and Weighted Co-Occurrence Matrix for Segmentation of Brain MR Images....Pages 277-297
Back Matter....Pages 299-304