×
生物信息学中的机器学习分析方法

生物信息学中的机器学习分析方法

1星价 ¥51.8 (7.5折)
2星价¥51.8 定价¥69.0
图文详情
  • ISBN:9787030424723
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:186
  • 出版时间:2014-11-01
  • 条形码:9787030424723 ; 978-7-03-042472-3

本书特色

《生物信息学中的机器学习分析方法》针对生物信息学领域中海量的生物数据,分别从微阵列数据的分析 和处理、基因调控网络的分析和构建以及蛋白质相互作用网络的分析等角度, 系统介绍机器学习、统计学习及各种智能算法在生物信息学相关领域的应用。 机器学习在生物信息学领域的研究重心集中在观测和探索生物现象,以及建 立统一的形式化的模型对生物学现象加以阐释。《生物信息学中的机器学习分析方法》针对生物信息学领域典 型的癌症诊断模型、基因调控网络构建和蛋白质相互作用网络分析3 个研究 方向展开机器学习数据挖掘方法的分析与研究,为生物信息学方向的初学者 提供了入门知识,也为相关研究人员在相关方向提供了参考信息。

内容简介

机器学习具有从数据和经验中获取知识的学习能力,能够从海量的生物数据中提取知识,在解决生物信息学的相关问题中,起着越来越重要的作用,并取得了丰硕的成果。但庞大的计算量、复杂的噪声模式、海量的时变数据给传统的机器学习分析带来了巨大的困难。本书围绕着海量的生物数据,分别从癌症的诊断分型、基因调控网络的重构和蛋白质相互作用网络的分析3个角度来阐述机器学习理论、方法及其应用,共3部分13章。**部分为面向癌症诊断分型的机器学习方法.第二部分围绕基因调控网络的分析与重构进行阐述。第三部分则是围绕蛋白质相互作用网络进行研究。为便于应用本书阐述的算法,书后附有部分机器学习算法源程序。

目录

目 录
前言 0 绪论 1
0.1生物信息学的概念 1
0.2生物信息学的研究内容 1
0.3微阵列分析技术 2
0.4基因调控网络 9
0.5蛋白质相互作用网络 11
0.6机器学习方法及应用 12
0.7本书主要内容和安排 15 参考文献 15
第ⅰ篇 微阵列数据的分析和处理
第 1章 基于核方法的多病类 dna微阵列数据集成分类器 21
1.1核机器学习 22
1.2基分类器的选择 24
1.3 dna微阵列数据集成分类器结构框图 29
1.4实例研究 30
1.5本章小结 34 参考文献 34 第 2章 基于选择性独立成分分析的 dna微阵列数据集成分类器 36
2.1基于重构样本误差的选择性独立成分分析 37
2.2实例研究 38
2.3本章小结 45 参考文献 45 第 3章 基于相关性分析的癌症诊断 47
3.1 k均值聚类 48
3.2基于特征选取的相关系数分析癌症诊断模型 48
3.3实验结果和分析 51
3.4本章小结 53
参考文献 53 第 4章 基于线性回归的 dna微阵列数据稀疏特征基因选择 55
4.1特征选择 56
4.2回归分析 56
4.3仿真研究 61
4.4本章小结 64 参考文献 65 第 5章 基于贝叶斯理论的 dna甲基化水平数据分型 66
5.1贝叶斯理论概述 67
5.2基于贝叶斯理论的 dna甲基化水平数据分型 70
5.3聚类性能评估 74
5.4仿真研究 75
5.5本章小结 81 参考文献 81
第ⅱ篇 基因调控网络的分析和构建
第 6章 基因表达数据缺失值处理 85
6.1三种基因表达数据缺失值估计方法 86
6.2内部规律与外部联系结合的基因表达数据缺失值估计方法 88
6.3仿真研究 91
6.4本章小结 98 参考文献 98 第 7章 基于角度离散化的基因调控网络定性分析 100
7.1三种基因调控网络定性分析方法 101
7.2基于角度离散化的基因调控网络方法 104
7.3仿真研究 107
7.4本章小结
展开全部

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航