یادگیری ماشین و یادگیری عمیق در سم شناسی محاسباتی ۲۰۲۳
Machine Learning and Deep Learning in Computational Toxicology 2023

این کتاب مجموعه ای است از الگوریتم ها، روش ها، معماری ها و ابزارهای نرم افزاری یادگیری ماشین و یادگیری عمیق که توسعه یافته و به طور گسترده در سم شناسی پیش بینی کننده به کار گرفته شده اند. این مجموعه، مجموعه ای از کاربردهای اخیر را با استفاده از تکنیک های پیشرفته یادگیری ماشین و یادگیری عمیق در تجزیه و تحلیل داده های مختلف پایانی سم شناسی گردآوری می کند. مطالب این کتاب، الگوریتم ها، روش ها و ابزارهای نرم افزاری یادگیری ماشین و یادگیری عمیق را نشان می دهد و کاربردهای یادگیری ماشین و یادگیری عمیق در سم شناسی پیش بینی کننده را با متون، تصاویر و جداول آموزنده که توسط متخصصان برجسته ارائه شده است، خلاصه می کند. یکی از ویژگی های اصلی، مطالعات موردی کاربردهای یادگیری ماشین و یادگیری عمیق در تحقیقات سم شناسی است که به عنوان نمونه ای برای خوانندگان عمل می کند تا یاد بگیرند چگونه از تکنیک های یادگیری ماشین و یادگیری عمیق در سم شناسی پیش بینی کننده استفاده کنند. انتظار می رود این کتاب به عنوان مرجعی برای کاربردهای عملی یادگیری ماشین و یادگیری عمیق در تحقیقات سم شناسی مورد استفاده قرار گیرد. این کتاب یک راهنمای مفید برای سم شناسان، شیمیدانان، محققان کشف و توسعه دارو، دانشمندان نظارتی، بازبینان دولتی و دانشجویان تحصیلات تکمیلی است. فایده اصلی برای خوانندگان، درک تکنیک های پرکاربرد یادگیری ماشین و یادگیری عمیق و کسب رویه های عملی برای استفاده از یادگیری ماشین و یادگیری عمیق در سم شناسی پیش بینی کننده است.

This book is a collection of machine learning and deep learning algorithms, methods, architectures, and software tools that have been developed and widely applied in predictive toxicology. It compiles a set of recent applications using state-of-the-art machine learning and deep learning techniques in analysis of a variety of toxicological endpoint data. The contents illustrate those machine learning and deep learning algorithms, methods, and software tools and summarise the applications of machine learning and deep learning in predictive toxicology with informative text, figures, and tables that are contributed by the first tier of experts. One of the major features is the case studies of applications of machine learning and deep learning in toxicological research that serve as examples for readers to learn how to apply machine learning and deep learning techniques in predictive toxicology. This book is expected to provide a reference for practical applications of machine learning and deep learning in toxicological research. It is a useful guide for toxicologists, chemists, drug discovery and development researchers, regulatory scientists, government reviewers, and graduate students. The main benefit for the readers is understanding the widely used machine learning and deep learning techniques and gaining practical procedures for applying machine learning and deep learning in predictive toxicology.