دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistical modeling and machine learning for molecular biology
دانلود کتاب مدل سازی آماری و یادگیری ماشین برای زیست شناسی مولکولی
مشخصات کتاب
Statistical modeling and machine learning for molecular biology
ویرایش:
نویسندگان: Moses. Alan
سری: Chapman and Hall/CRC mathematical & computational biology series
ISBN (شابک) : 4778632281, 9781482258608
ناشر: Chapman and Hall/CRC
سال نشر: 2016
تعداد صفحات: 281
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
قیمت کتاب (تومان) : 32,000
کلمات کلیدی مربوط به کتاب مدل سازی آماری و یادگیری ماشین برای زیست شناسی مولکولی: زیست شناسی مولکولی، روش های آماری، زیست شناسی مولکولی، پردازش داده ها.
در صورت تبدیل فایل کتاب Statistical modeling and machine learning for molecular 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 مدل سازی آماری و یادگیری ماشین برای زیست شناسی مولکولی 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 مدل سازی آماری و یادگیری ماشین برای زیست شناسی مولکولی
زیست شناسان مولکولی آزمایش های بزرگ و پیچیده ای را انجام می دهند، اما اغلب پیشینه کمی در تجزیه و تحلیل داده ها دارند. این کتاب به آموزش تکنیک های آماری و محاسباتی که زیست شناسان مولکولی برای تجزیه و تحلیل داده های خود نیاز دارند اختصاص یافته است. مفاهیم تصویر بزرگ را در تجزیه و تحلیل داده ها با استفاده از طیف گسترده ای از مثال های بیولوژیکی مولکولی دنیای واقعی مانند eQTL ها، شناسایی ارتولوگ، یافتن موتیف، استنتاج ساختار جمعیت، پیش بینی چین خوردگی پروتئین و بسیاری موارد دیگر توضیح می دهد. این کتاب رویکردی عمل‌گرایانه دارد و بر تکنیک‌هایی تمرکز دارد که مبتنی بر ریاضیات ظریف هستند و در عین حال ساده‌ترین روش‌ها برای توضیح برای دانشمندان با پیشینه کمی در رایانه و آمار هستند.
توضیحاتی درمورد کتاب به خارجی
Molecular biologists are performing increasingly large and complicated experiments, but often have little background in data analysis. The book is devoted to teaching the statistical and computational techniques molecular biologists need to analyze their data. It explains the big-picture concepts in data analysis using a wide variety of real-world molecular biological examples such as eQTLs, ortholog identification, motif finding, inference of population structure, protein fold prediction and many more. The book takes a pragmatic approach, focusing on techniques that are based on elegant mathematics yet are the simplest to explain to scientists with little background in computers and statistics
