دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Signal processing and machine learning for biomedical big data
دانلود کتاب پردازش سیگنال و یادگیری ماشین برای داده های بزرگ زیست پزشکی
مشخصات کتاب
Signal processing and machine learning for biomedical big data
ویرایش: نویسندگان: Falk. Tiago H., Sejdic. Ervin سری: ISBN (شابک) : 9781498773454, 9781498773461 ناشر: Taylor & Francis سال نشر: 2018 تعداد صفحات: [624] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 73 Mb
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Signal processing and machine learning for biomedical big data 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 پردازش سیگنال و یادگیری ماشین برای داده های بزرگ زیست پزشکی 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 پردازش سیگنال و یادگیری ماشین برای داده های بزرگ زیست پزشکی
در حوزه مراقبت های بهداشتی، کلان داده به عنوان هر اطلاعات بیولوژیکی، بالینی، محیطی و شیوه زندگی با حجم بالا، تنوع بالا که از افراد مجرد تا گروه های بزرگ، در رابطه با وضعیت سلامت و تندرستی آنها، در یک یا چند نقطه زمانی جمع آوری می شود، تعریف می شود. چنین داده‌هایی بسیار مهم هستند زیرا مقادیر زیادی از اطلاعات ارزشمند وجود دارد که به طور بالقوه می‌تواند زندگی بیمار را تغییر دهد و درها را به روی درمان‌های جایگزین، داروها و ابزارهای تشخیصی باز کند. پردازش سیگنال و یادگیری ماشین برای داده‌های بزرگ زیست‌پزشکی به این ترتیب روش‌ها را مورد بحث قرار می‌دهد. روش های متعددی که در آن این داده ها از طریق حسگرها گرفته می شود. و نرخ نمونه و ابعاد مختلف. جمع‌آوری، تجزیه و تحلیل، ذخیره و تجسم چنین داده‌های عظیمی نیازمند تغییرات جدیدی در الگوهای پردازش سیگنال و روش‌های جدیدی برای ترکیب پردازش سیگنال با ابزارهای یادگیری ماشین است. این کتاب چندین مورد از این جنبه‌ها را به دو صورت پوشش می‌دهد: اول، از طریق فصل‌های پردازش سیگنال نظری که در آن ابزارهایی با هدف داده‌های بزرگ (چه زیست پزشکی یا غیر آن) توضیح داده می‌شوند. و ثانیاً، از طریق فصل‌های برنامه محور با تمرکز بر برنامه‌های موجود پردازش سیگنال و یادگیری ماشین برای داده‌های بزرگ زیست‌پزشکی. هدف این متن محقق کنجکاو شاغل در این زمینه و همچنین دانشجویان کارشناسی و کارشناسی ارشد است که مشتاق یادگیری نحوه پردازش سیگنال می‌تواند به تجزیه و تحلیل داده‌های بزرگ کمک کند. این امید دکتر است. سجدیک و فالک که این کتاب محققان پردازش سیگنال و یادگیری ماشین را گرد هم می‌آورد تا گلوگاه‌های موجود در حوزه مراقبت‌های بهداشتی را باز کند و در نتیجه کیفیت زندگی بیمار را بهبود بخشد. مروری بر پیشرفته ترین الگوریتم های پردازش سیگنال و یادگیری ماشینی برای داده های بزرگ زیست پزشکی، از جمله برنامه های کاربردی در حوزه های تصویربرداری عصبی، قلب، شبکیه، ژنومیک، خواب، پیش بینی نتیجه بیمار، مراقبت های ویژه و توانبخشی ارائه می دهد. فصل های ارائه شده از رهبران جهان در زمینه های داده های بزرگ و پردازش سیگنال را ارائه می دهد که موضوعاتی مانند کیفیت داده ها، فشرده سازی داده ها، تکنیک های پردازش سیگنال آماری و نموداری، و یادگیری عمیق و کاربردهای آنها در حوزه زیست پزشکی را پوشش می دهد. مطالب این کتاب نحوه استفاده از دانش حوزه تخصصی را برای پیشبرد پردازش سیگنال و یادگیری ماشین برای کاربردهای داده های بزرگ زیست پزشکی پوشش می دهد.
توضیحاتی درمورد کتاب به خارجی
Within the healthcare domain, big data is defined as any ``high volume, high diversity biological, clinical, environmental, and lifestyle information collected from single individuals to large cohorts, in relation to their health and wellness status, at one or several time points.'' Such data is crucial because within it lies vast amounts of invaluable information that could potentially change a patient's life, opening doors to alternate therapies, drugs, and diagnostic tools. Signal Processing and Machine Learning for Biomedical Big Data thus discusses modalities; the numerous ways in which this data is captured via sensors; and various sample rates and dimensionalities. Capturing, analyzing, storing, and visualizing such massive data has required new shifts in signal processing paradigms and new ways of combining signal processing with machine learning tools. This book covers several of these aspects in two ways: firstly, through theoretical signal processing chapters where tools aimed at big data (be it biomedical or otherwise) are described; and, secondly, through application-driven chapters focusing on existing applications of signal processing and machine learning for big biomedical data. This text aimed at the curious researcher working in the field, as well as undergraduate and graduate students eager to learn how signal processing can help with big data analysis. It is the hope of Drs. Sejdic and Falk that this book will bring together signal processing and machine learning researchers to unlock existing bottlenecks within the healthcare field, thereby improving patient quality-of-life. Provides an overview of recent state-of-the-art signal processing and machine learning algorithms for biomedical big data, including applications in the neuroimaging, cardiac, retinal, genomic, sleep, patient outcome prediction, critical care, and rehabilitation domains. Provides contributed chapters from world leaders in the fields of big data and signal processing, covering topics such as data quality, data compression, statistical and graph signal processing techniques, and deep learning and their applications within the biomedical sphere. This book's material covers how expert domain knowledge can be used to advance signal processing and machine learning for biomedical big data applications.
فهرست مطالب
Content: An Introduction to big data in medicine. Big heart data. Predicting asthma-related emergency department visits using big data. Fall detection in homes of older adults using Microsoft Kinect. Visualization analysis for big data in computational cyberpsychology. Heart beats in the cloud. Big Data approaches to trauma outcome prediction. The TUH EEG CORPUS. Big Data reduction using RBFNN. Systems Biology and brain activity. Signal processing to make sense of noisy medical Big Data. Prarallel randomly compressed cubes. Big Data analysis with signal on graphs. Outlying sequence detection in large data sets. Breaking the curse of dimensionality using decompositions. Sparse Fourier transform. Modeling and optimization learning tools for big data analytics. Parallel processing for real-time biomedical big data. Heart beats in the cloud.
