×
暂无评论
图文详情
  • ISBN:9787030761514
  • 装帧:平装胶订
  • 册数:暂无
  • 重量:暂无
  • 开本:B5
  • 页数:256
  • 出版时间:2023-09-01
  • 条形码:9787030761514 ; 978-7-03-076151-4

内容简介

本书的主要内容分为三个部分。**部分包括**章,主要对于组学机器学习的相关概念和理念进行概述,并提出了面向组学数据弱监督特点的机器学习研究范式和方法的整体框架;第二部分为组学的表征学习,具体包括第二至四章,分别介绍对于组学样本进行有效表征的三个层面:度量(第二章),嵌入(第三章),多模态整合(第四章)。该部分的机器学习方法有助于克服组学数据的不准确监督瓶颈;第三部分为组学的弱监督学习,具体包括第五至九章,分别介绍了弱监督场景下的组学数据挖掘的机器学习范式和方法,包括:半监督学习(第五章),迁移学习(第六章),元学习(第七章),主动学习(第八章),多示例学习(第九章)。该部分的机器学习方法有助于克服组学数据的不完备监督和不确定监督瓶颈。本书将组学数据的隐私计算单独列为第四部分,介绍一种特定的隐私计算方法-联邦学习,对应于本书的第十章。

目录

**部分 组学机器学习导论 第1章 组学机器学习概述 1.1 组学概述 1.2 组学机器学习 1.3 本章小结 参考文献 第二部分 组学的表征学习 第2章 组学的表征——度量 2.1 度量学习 2.2 案例一:基于参考单细胞转录组进行细胞类型识别的度量学习 2.3 案例二:整合多个参考单细胞组进行细胞类型识别的度量学习 2.4 案例三:药物基因组的度量学习 2.5 本章小结 参考文献 第3章 组学的表征——嵌入 3.1 嵌入 3.2 案例:CRISPR功能基因组的嵌入学习 3.3 本章小结 参考文献 第4章 组学的表征——多模态整合 4.1 多模态整合 4.2 案例:单细胞RNA-seq和单细胞ATAC-seq多模态整合 4.3 本章小结 参考文献 第三部分 组学的弱监督学习 第5章 组学的不完备监督——半监督学习 5.1 半监督学习 5.2 案例:抗癌药物组合预测的半监督学习 5.3 本章小结 参考文献 第6章 组学的不完备监督——迁移学习 6.1 迁移学习 6.2 案例一:基因编辑系统优化设计的迁移学习 6.3 案例二:药物小分子设计的迁移学习 6.4 本章小结 参考文献 第7章 组学的不完备监督——元学习 7.1 元学习 7.2 案例:抗原-TCR识别的元学习 7.3 本章小结 参考文献 第8章 组学的不完备监督——主动学习 8.1 主动学习 8.2 案例:基于主动学习的化学反应定量建模 8.3 本章小结 参考文献 第四部分 组学的隐私计算 第9章 组学的隐私保护——联邦学习 9.1 联邦学习 9.2 案例一:药物小分子定量构效关系建模的联邦学习
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