دانلود کتاب Bioinformatics: the machine learning approach

ترجمه فارسی توضیحات (ترجمه ماشینی)

بیوانفورماتیک: رویکرد یادگیری ماشینی

حجم بی سابقه ای از داده ها توسط پروژه های توالی یابی ژنوم و سایر تلاش های تجربی برای تعیین ساختار و عملکرد مولکول های بیولوژیکی تولید می شود. تقاضاها و فرصت ها برای تفسیر این داده ها به سرعت در حال گسترش است. بیوانفورماتیک توسعه و کاربرد روش های کامپیوتری برای مدیریت، تجزیه و تحلیل، تفسیر و پیش بینی و همچنین برای طراحی آزمایش ها است. رویکردهای یادگیری ماشینی (به عنوان مثال، شبکه های عصبی، مدل های مارکوف پنهان و شبکه های اعتقادی) برای مناطقی که داده های زیادی وجود دارد اما تئوری کمی وجود دارد، ایده آل هستند، که این وضعیت در زیست شناسی مولکولی است. هدف در یادگیری ماشینی استخراج اطلاعات مفید از مجموعه ای از داده ها با ساخت مدل های احتمالی خوب و خودکارسازی فرآیند تا حد امکان است. در این کتاب Pierre Baldi و S?ren Brunak رویکردهای کلیدی یادگیری ماشین را ارائه کرده و آنها را برای مشکلات محاسباتی که در تجزیه و تحلیل داده‌های بیولوژیکی با آن مواجه می‌شوند، به کار می‌برند. هدف این کتاب هم زیست‌شناسان و هم بیوشیمی‌دانانی است که نیاز به درک الگوریتم‌های جدید مبتنی بر داده دارند و هم برای کسانی که پیش‌زمینه اولیه‌ای در فیزیک، ریاضیات، آمار یا علوم کامپیوتر دارند و نیاز به دانستن بیشتر در مورد کاربردها در زیست‌شناسی مولکولی دارند. این ویرایش دوم جدید شامل پوشش گسترده‌ای از مدل‌های گرافیکی احتمالی و کاربردهای شبکه‌های عصبی، و همچنین فصل جدیدی در ریزآرایه‌ها و بیان ژن است. کل متن به طور گسترده اصلاح شده است.

Bioinformatics: the machine learning approach

An unprecedented wealth of data is being generated by genome sequencing projects and other experimental efforts to determine the structure and function of biological molecules. The demands and opportunities for interpreting these data are expanding rapidly. Bioinformatics is the development and application of computer methods for management, analysis, interpretation, and prediction, as well as for the design of experiments. Machine learning approaches (e.g., neural networks, hidden Markov models, and belief networks) are ideally suited for areas where there is a lot of data but little theory, which is the situation in molecular biology. The goal in machine learning is to extract useful information from a body of data by building good probabilistic models–and to automate the process as much as possible. In this book Pierre Baldi and S?ren Brunak present the key machine learning approaches and apply them to the computational problems encountered in the analysis of biological data. The book is aimed both at biologists and biochemists who need to understand new data-driven algorithms and at those with a primary background in physics, mathematics, statistics, or computer science who need to know more about applications in molecular biology. This new second edition contains expanded coverage of probabilistic graphical models and of the applications of neural networks, as well as a new chapter on microarrays and gene expression. The entire text has been extensively revised.