محاسبات نرم

محاسبات نرم[1] به مجموعه‌ای از شیوه‌های جدید محاسباتی در علوم رایانه، هوش مصنوعی، یادگیری ماشینی و بسیاری از زمینه‌های کاربردی دیگر اطلاق می‌شود. در تمامی این زمینه‌ها به مطالعه، مدل‌سازی و آنالیز پدیده‌های بسیار پیچیده‌ای نیاز است که شیوه‌های علمی دقیق درگذشته، در حل آسان، تحلیلی و کامل آن‌ها موفق نبوده‌اند. 

یادگیری عمیق با سیستم دسته‌بندی: نتایج اولیه

در این مقاله اولین نتایج حاصل از استفاده از سیستم دسته‌بندی یادگیری با توانایی انجام محاسبات انطباقی با شبکه‌های عصبی عمیق ارائه‌شده است. دسته‌بندی کننده‌های فردی در جامعه از دو شبکه عصبی تشکیل‌شده است. 

بهبود مدل‌سازی مبتنی بر توالی از خانواده پروتئین با استفاده از ارزیابی کیفیت ساختار ثانویه

انگیزه: مدل‌سازی توزیع توالی خانواده پروتئین از داده‌های توالی همولوگ موردتوجه قرارگرفته است به‌ویژه برای ساختار و عملکرد پیش‌بینی و همچنین برای طراحی پروتئین. 

سیستم دسته‌بندی پیش‌بینی با معیار متوسط پاداش در چند مرحله گسسته شده

سیستم‌های دسته‌بندی پیش‌بینی برای رسیدگی به مشکل‌ها تصمیم‌گیری تک و چندمرحله‌ای طراحی‌شده‌اند. هدف به حداکثر رساندن کل جوایز تخفیف یافته بود که معمولاً بر اساس الگوریتم‌های یادگیری تقویتی انجام می‌شد. مطالعات در مورد سایر سیستم‌های دسته‌بندی یادگیری بسیاری از مشکل‌ها تصمیم‌گیری متوالی در دنیای واقعی را نشان داد که در آن هدف ترجیحی حداکثر رساندن میانگین پاداش‌های متوالی است.  

سیستم‌های دسته‌بند یادگیر مبتنی بر دقت: مدل‌ها، تجزیه‌وتحلیل و کاربردها برای وظایف دسته‌بندی

سیستم‌های دسته‌بندی یادگیری و به‌ویژه XCS به‌عنوان روش‌های امیدوارکننده برای دسته‌بندی وظایف و داده‌کاوی به وجود آمده است. این مقاله دو مدل از سیستم‌های دسته‌بندی یادگیری مبتنی بر دقت را در مورد انواع مختلف مشکلات دسته‌بندی بررسی می‌کند. با عزیمت از XCS تحول یک نقشه عمل کامل را به‌عنوان نمایندگی دانش تجزیه‌وتحلیل می‌شود. 

ساختارهای ثانویه پروتئین‌ها: مقایسه مدل‌ها و نتایج تجربی

پیش‌بینی‌های ساختار ثانویه پروتئین‌ها با استفاده از خط گسترده H NMR با نتایج تجربی مقایسه شدند. از IUPred2A برای تولید پیش‌بینی پروتئین بی‌نظم یا مناطق اتصال استفاده شد. تیموزین-β4 و دامنه سیتوپلاسمی استابلین -2 به‌طور عمده بی‌نظم مطابقت با نتایج تجربی پیدا شد.