Sale
علم داده برای ژنومیک ۲۰۲۲
Data Science for Genomics 2022
دانلود کتاب علم داده برای ژنومیک ۲۰۲۲ (Data Science for Genomics 2022) با لینک مستقیم و فرمت pdf (پی دی اف) و ترجمه فارسی
| نویسنده |
Amit Kumar Tyagi, Ajith Abraham |
|---|
ناشر:
Academic Press
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2022 |
|---|---|
| زبان |
English |
| تعداد صفحهها |
312 |
| نوع فایل |
|
| حجم |
14.3 MB |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب علم داده برای ژنومیک ۲۰۲۲
علم داده برای ژنومیکس، مفاهیم بنیادین علم داده را در ارتباط با ژنومیکس ارائه میدهد، و فرایند بازرسی، پاکسازی، تبدیل و مدلسازی دادهها را با هدف کشف اطلاعات مفید، ارائه پیشنهاد برای نتیجهگیریها و پشتیبانی از تصمیمگیری در بر میگیرد. بخشهایی از کتاب به علم داده، یادگیری ماشین، یادگیری عمیق، تحلیل داده و تکنیکهای بصریسازی اختصاص یافته است. سپس، نویسندگان اصول ژنومیکس، ژنتیک، ترنسکریپتومها و پروتئومها را به عنوان مفاهیم اساسی زیستشناسی مولکولی، همراه با DNA و ویژگیهای کلیدی ژنوم انسان، و همچنین ژنوم یوکاریوتها و پروکاریوتها معرفی میکنند. تکنیکهایی که به طور خاص برای مطالعه ژنومها استفاده میشوند، به ترتیبی که در یک پروژه ژنومی به کار میروند، شرح داده میشوند، از جمله روشهای ساخت نقشههای ژنتیکی و فیزیکی. متدولوژی تعیین توالی DNA و استراتژیهای مورد استفاده برای جمعآوری یک توالی ژنومی پیوسته و روشهای شناسایی ژنها در یک توالی ژنومی و تعیین عملکردهای آن ژنها در سلول نیز در این کتاب مورد بررسی قرار میگیرند. خوانندگان خواهند آموخت که چگونه اطلاعات موجود در ژنوم آزاد شده و در اختیار سلول قرار میگیرد، و همچنین با روشهای متمرکز بر کلونینگ و PCR آشنا خواهند شد.
– توضیح مفصلی از مفاهیم، روشها و الگوریتمهای علم داده ارائه میدهد که همگی با مثالهای عملی تقویت شده و در ژنومیکس به کار گرفته میشوند.
– نقشه راهی از روندهای آینده ارائه میکند که برای تحقیقات و فعالیتهای نوآورانه در علم داده مناسب است.
– موضوعاتی مانند فناوری بلاکچین برای ایمنسازی دادهها در سمت کاربر نهایی/سرور را شامل میشود.
– مطالعات موردی دنیای واقعی، مسائل و چالشهای بازِ پیش روی ژنومیکس، از جمله مسیرهای تحقیقاتی آینده و یک فصل جداگانه برای ملاحظات اخلاقی را ارائه میکند.
فهرست کتاب:
۱. علم داده برای ژنومیک
۲. روی جلد
۳. صفحه عنوان
۴. حق چاپ
۵. فهرست مطالب
۶. مشارکت کنندگان
۷. پیشگفتار
۸. تقدیر و تشکر
۹. فصل ۱ ژنومیک و شبکههای عصبی در پیشبینی بار الکتریکی با هوش محاسباتی
۱۰. فصل ۲ کاربرد طبقهبندی کنندههای مبتنی بر یادگیری جمعی برای طبقهبندی دادههای بیان ژن
۱۱. فصل ۳ یادگیری ماشین در ژنومیک: شناسایی و مدلسازی پپتیدهای ضد سرطان
۱۲. فصل ۴ تحلیل عوامل ژنتیکی برای تشخیص زودهنگام اوتیسم از طریق یادگیری ماشین
۱۳. فصل ۵ هوش مصنوعی و علم داده در کشف دارو مبتنی بر فارماکوژنومیک: آینده داروها
۱۴. فصل ۶ چالشها، فرصتها و مسائل اخیر در تجزیه و تحلیل دادههای مختلف
۱۵. فصل ۷ کاربرد in silico علم داده، ژنومیک و بیوانفورماتیک در غربالگری داروهای کاندید علیه COVID-۱۹
۱۶. فصل ۸ به سوی یادگیری ماشین خودکار برای ژنومیک: ارزیابی و مقایسه رویکردهای AutoML پیشرفته
۱۷. فصل ۹ مدل کاهش ابعاد موثر با طبقهبندی یادگیری ماشین برای دادههای بیان ژن میکروآرایه
۱۸. فصل ۱۰ تجزیه و تحلیل ساختاری، الکترونیکی و اثر نور بر دستیابی دیود نوری PIN از طریق نرم افزار SILVACO: یک مطالعه موردی
۱۹. فصل ۱۱ یک گام برای افزایش عملکرد XGBoost از طریق GSK برای پیش بینی اتانول، اتیلن، آمونیاک، استالدئید، استون و تولوئن
۲۰. فصل ۱۲ یک مدل پیشبینی برای طبقهبندی سرطان کولورکتال با استفاده از تحلیل مولفه اصلی
۲۱. فصل ۱۳ سیستمهای علم داده ژنومی پیشبینی و پیشگیری از پنومونی از تصاویر اشعه ایکس قفسه سینه با استفاده از یک شبکه عصبی کانولوشنال دو جریانی دو کاناله
۲۲. فصل ۱۴ تجزیه و تحلیل پیشبینی تغییرات ژنتیکی در توالی ژنوم COVID-۱۹: یک دیدگاه علم داده
۲۳. فصل ۱۵ حریم خصوصی ژنومی: تحلیل عملکرد، مسائل باز و مسیرهای تحقیقاتی آینده
۲۴. فصل ۱۶ سیستم های خودکار و هوشمند برای کاربردهای هوشمند مبتنی بر نسل بعدی
۲۵. فصل ۱۷ کاربردهای یادگیری ماشین برای COVID-۱۹: یک بررسی پیشرفته
۲۶. فهرست نمایه
توضیحات(انگلیسی)
Data Science for Genomics presents the foundational concepts of data science as they pertain to genomics, encompassing the process of inspecting, cleaning, transforming, and modeling data with the goal of discovering useful information, suggesting conclusions and supporting decision-making. Sections cover Data Science, Machine Learning, Deep Learning, data analysis, and visualization techniques. The authors then present the fundamentals of Genomics, Genetics, Transcriptomes and Proteomes as basic concepts of molecular biology, along with DNA and key features of the human genome, as well as the genomes of eukaryotes and prokaryotes. Techniques that are more specifically used for studying genomes are then described in the order in which they are used in a genome project, including methods for constructing genetic and physical maps. DNA sequencing methodology and the strategies used to assemble a contiguous genome sequence and methods for identifying genes in a genome sequence and determining the functions of those genes in the cell. Readers will learn how the information contained in the genome is released and made available to the cell, as well as methods centered on cloning and PCR. – Provides a detailed explanation of data science concepts, methods and algorithms, all reinforced by practical examples that are applied to genomics – Presents a roadmap of future trends suitable for innovative Data Science research and practice – Includes topics such as Blockchain technology for securing data at end user/server side – Presents real world case studies, open issues and challenges faced in Genomics, including future research directions and a separate chapter for Ethical Concerns
Table of Contents
1. Data Science for Genomics
2. Cover
3. Title Page
4. Copyright
5. Table of Contents
6. Contributors
7. Preface
8. Acknowledgment
9. Chapter 1 Genomics and neural networks in electrical load forecasting with computational intelligence
10. Chapter 2 Application of ensemble learning–based classifiers for genetic expression data classification
11. Chapter 3 Machine learning in genomics: identification and modeling of anticancer peptides
12. Chapter 4 Genetic factor analysis for an early diagnosis of autism through machine learning
13. Chapter 5 Artificial intelligence and data science in pharmacogenomics-based drug discovery: Future of medicines
14. Chapter 6 Recent challenges, opportunities, and issues in various data analytics
15. Chapter 7 In silico application of data science, genomics, and bioinformatics in screening drug candidates against COVID-19
16. Chapter 8 Toward automated machine learning for genomics: evaluation and comparison of state-of-the-art AutoML approaches
17. Chapter 9 Effective dimensionality reduction model with machine learning classification for microarray gene expression data
18. Chapter 10 Analysis the structural, electronic and effect of light on PIN photodiode achievement through SILVACO software: a case study
19. Chapter 11 One step to enhancement the performance of XGBoost through GSK for prediction ethanol, ethylene, ammonia, acetaldehyde, acetone, and toluene
20. Chapter 12 A predictive model for classifying colorectal cancer using principal component analysis
21. Chapter 13 Genomic data science systems of Prediction and prevention of pneumonia from chest X-ray images using a two-channel dual-stream convolutional neural network
22. Chapter 14 Predictive analytics of genetic variation in the COVID-19 genome sequence: a data science perspective
23. Chapter 15 Genomic privacy: performance analysis, open issues, and future research directions
24. Chapter 16 Automated and intelligent systems for next-generation-based smart applications
25. Chapter 17 Machine learning applications for COVID-19: a state-of-the-art review
26. Index
دیگران دریافت کردهاند
✨ ضمانت تجربه خوب مطالعه
بازگشت کامل وجه
در صورت مشکل، مبلغ پرداختی بازگردانده می شود.
دانلود پرسرعت
دانلود فایل کتاب با سرعت بالا
ارسال فایل به ایمیل
دانلود مستقیم به همراه ارسال فایل به ایمیل.
پشتیبانی ۲۴ ساعته
با چت آنلاین و پیامرسان ها پاسخگو هستیم.
ضمانت کیفیت کتاب
کتاب ها را از منابع معتیر انتخاب می کنیم.
