روش های یادگیری ماشین آماری چندمتغیره برای پیش بینی ژنومی ۲۰۲۲
Multivariate Statistical Machine Learning Methods for Genomic Prediction 2022

دانلود کتاب روش های یادگیری ماشین آماری چندمتغیره برای پیش بینی ژنومی ۲۰۲۲ (Multivariate Statistical Machine Learning Methods for Genomic Prediction 2022) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده	Abelardo Montesinos López, José Crossa, Osval Antonio Montesinos López

ناشر: Springer International Publishing

دسته: آمار زیستی, پزشکی

۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید

سال انتشار	2022
زبان	English
تعداد صفحه‌ها	691
نوع فایل	pdf
حجم	12 Mb

🏷️ قیمت اصلی: 200,000 تومان بود.قیمت فعلی: 129,000 تومان.

دانلود مستقیم PDF

ارسال فایل به ایمیل

پشتیبانی ۲۴ ساعته

هوش‌مصنوعی ترجمه کالیبو

توضیحات

معرفی کتاب روش های یادگیری ماشین آماری چندمتغیره برای پیش بینی ژنومی ۲۰۲۲

این کتاب با مجوز CC BY 4.0 به صورت دسترسی آزاد منتشر شده است.

این کتاب دسترسی آزاد، جدیدترین مدل های پیش بینی مبتنی بر ژنوم را که در حال حاضر توسط آمارشناسان، اصلاح گران نژاد و دانشمندان داده مورد استفاده قرار می گیرند، گرد هم آورده است. این کتاب روشی در دسترس برای درک نظریه ی پشت هر ابزار یادگیری آماری، پیش پردازش مورد نیاز، اصول اولیه ی ساخت مدل، نحوه ی آموزش روش های یادگیری آماری، اسکریپت های پایه ای R مورد نیاز برای پیاده سازی هر ابزار یادگیری آماری و خروجی هر ابزار را فراهم می کند. برای این منظور، کتاب برای هر ابزار، نظریه ی پس زمینه ای، برخی از عناصر نرم افزار آماری R برای پیاده سازی آن، مبانی مفهومی و حداقل دو مثال گویا با داده هایی از آزمایش های انتخاب ژنومی دنیای واقعی ارائه می دهد. در نهایت، مثال های حل شده به خوانندگان کمک می کنند تا درک خود را بررسی کنند. این کتاب برای خوانندگان فعال در زمینه ی اصلاح نباتات (و حیوانات)، متخصصان ژنتیک و آمارشناسان جذابیت زیادی خواهد داشت، زیرا نظریه ی ضروری، کد R مناسب و مثال های گویا را برای درک کامل هر ابزار یادگیری آماری به شیوه ای بسیار در دسترس ارائه می کند. علاوه بر این، مزایا و معایب هر ابزار را نیز ارزیابی می کند.

توضیحات(انگلیسی)

This book is open access under a CC BY 4.0 license
This open access book brings together the latest genome base prediction models currently being used by statisticians, breeders and data scientists. It provides an accessible way to understand the theory behind each statistical learning tool, the required pre-processing, the basics of model building, how to train statistical learning methods, the basic R scripts needed to implement each statistical learning tool, and the output of each tool. To do so, for each tool the book provides background theory, some elements of the R statistical software for its implementation, the conceptual underpinnings, and at least two illustrative examples with data from real-world genomic selection experiments. Lastly, worked-out examples help readers check their own comprehension.The book will greatly appeal to readers in plant (and animal) breeding, geneticists and statisticians, as it provides in a very accessible way the necessary theory, the appropriate R code, and illustrative examples for a complete understanding of each statistical learning tool. In addition, it weighs the advantages and disadvantages of each tool.