Bioinformatics:The Machine Learning Approach
副标题：无
作 者：(法)皮埃尔·巴尔迪(Pierre Baldi)，(丹)索恩·布鲁纳克(Soren Brunak)著;张东晖等译
分类号：
ISBN：9787800737084
微信扫一扫,移动浏览光盘
简介
本书介绍了机器学习方法的主要内容及其在生物学数据处理中的应用。其中对机器学习技术的理论基础——贝叶斯概率体系进行了详细介绍，并在此基础上着重对神经网络、隐也氏模型以及概率图模型等方法在生物信息学中的应用作了详细分析。书中特别列出一章介绍了DNA微阵列和基因表达，以及相关数据的分析方法。本书主要针对两个读者群体。一是生物学和生物化学研究人员，他们想了解基于数据处理的算法；二是物理、数学、统计、计算机科学等领域的学者，他们想知道机器学习方法在分子生物学研究中的应用。
目录
第一章 概述
第二章 机器学习的基础：概率理论体系
第三章 概率建模和推断：应用举例
第四章 机器学习算法
第五章 神经网络：理论
第六章 神经网络：应用
第七章 隐马氏模型：理论
第八章 隐马氏模型：应用
第九章 生物信息学中的概率图模型
第十章 进化的概率模型：系统进化树
第十一章 随机文法和语言学
第十二章 微阵列和基因表达
第十三章 互联网资源和公共数据库
附录a 统计学
附录b 信息论、熵和相对熵
附录c 概率图模型
附录d hmm的相关技术：标定、周期构架、状态函数和dirichlet混合模型
附录e 高斯过程、核方法及支持向量机
附录f 公式和缩写符号
参考文献
.基本词汇英汉对照表
第二章 机器学习的基础：概率理论体系
第三章 概率建模和推断：应用举例
第四章 机器学习算法
第五章 神经网络：理论
第六章 神经网络：应用
第七章 隐马氏模型：理论
第八章 隐马氏模型：应用
第九章 生物信息学中的概率图模型
第十章 进化的概率模型：系统进化树
第十一章 随机文法和语言学
第十二章 微阵列和基因表达
第十三章 互联网资源和公共数据库
附录a 统计学
附录b 信息论、熵和相对熵
附录c 概率图模型
附录d hmm的相关技术：标定、周期构架、状态函数和dirichlet混合模型
附录e 高斯过程、核方法及支持向量机
附录f 公式和缩写符号
参考文献
.基本词汇英汉对照表
Bioinformatics:The Machine Learning Approach
- 名称
- 类型
- 大小
光盘服务联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×
