بیوانفورماتیک نگرش شمارا به زیستشناسی تغییر میدهد و به انسانی توانمند در حوزه زیستشناسی تبدیل میکند. این کتاب به جنبههای مختلف بیوانفورماتیک میپردازد و سعی کرده است مفاهیم پایه در بخشهای مختلف را بیان کند تا خواننده ایدههای کافی برای پیشبرد اهداف خود را با خواندن هر فصل کسب کند. ادامه مطلب ...
این کتاب مقدمهای برای دسترسی به سیستمهای دستهبند یادگیری جهت استفاده دانشجویان مقطع کارشناسی یا کارشناسی ارشد، تحلیلگران داده و پزشکان یادگیری ماشین است. ادامه مطلب ...
"اولین کتاب مقدماتی که تأکید بر کاربردهای عملی از طریق استفاده از مشکلات مثال است." مجله بین المللی سیستمهای عمومی ، جلد. 31 ، شماره 1 ، 2002 ، در چاپ اول
استفاده از الگوریتم های ژنتیکی برای حل مشکلات محاسباتی بزرگ و غالباً پیچیده باعث ایجاد بسیاری از برنامه های جدید در انواع رشته ها شده است. الگوریتم های ژنتیکی عملی اولین کتاب مقدماتی در مورد الگوریتم های ژنتیکی بود که به جای تئوری بر کاربردهای عملی تأکید می کند. کتاب الگوریتم های ژنتیکی عملی، ویرایش دوم نشان دهنده تکامل چشمگیر زمینه ژنتیک از زمان چاپ اول کتاب است.
ادامه مطلب ...این کتاب مقدمه ای جامع برای طراحی و تجزیه و تحلیل سیستم های طبقه بندی یادگیری از منظر یادگیری ماشین ارائه می دهد. سیستم های طبقه بند یادگیر خانواده ای از روش ها برای دستیابی به یادگیری بدون نظارت، یادگیری نظارت شده و کارهای تصمیم گیری پی در پی با تجزیه فضاهای مشکل بزرگتر در زیرمجموعه های آسان برای کنترل است. برخلاف این که معمولاً از دیدگاه محاسبات تکاملی، به طراحی و تحلیل آنها نزدیک می شویم ، در عوض، این کتاب یک رویکرد مبتنی بر مدل محور را بر اساس سؤال تعیین کننده آنها "سیستم های طبقه بندی یادگیری قرار است چه چیزی یاد بگیرد؟" ترویج می کند.
ادامه مطلب ...مقادیر زیادی از داده های ذخیره شده در بانکهای اطلاعاتی پزشکی، نیاز به تدوین ابزارهای تخصصی برای دستیابی به داده ها، تجزیه و تحلیل داده ها، کشف دانش و استفاده کارآمد از دانش دارد. در این فصل به روش ها و ابزارهای داده کاوی می پردازیم. این فصل تکنیک های داده کاوی انتخاب شده را ترسیم می کند و کاربرد آنها در مشکلات تشخیصی پزشکی و مشکلات پیش بینی را نشان می دهد.
ادامه مطلب ...کمی بیش از سی سال پس از ارائه اولین طرح الگوی هالند سیستم طبقه بندی، یادگیری، توانایی سیستمهای دستهبند یادگیر برای حل مشکلات پیچیده دنیای واقعی آشکار می شود. به طور خاص، توانایی آنها برای استقرا قانون در داده کاوی باعث تجدید علاقه در سیستمهای دستهبند یادگیر شده است. این کتاب تعدادی از افراد را نشان می دهد که عملکرد خوب خود را در حوزه های مختلف نشان می دهند.
اولین کمک به شرح زیر است:
در مرحله اول، اشکال اصلی سیستمهای دستهبند یادگیر با جزئیات بیان شده است. تعدادی از کاربردهای تاریخی سیستمهای دستهبند یادگیر در داده کاوی سپس قبل از ارائه یک مرور کلی در بقیه جلد بررسی می شوند. بقیه این کتاب تحقیقات اخیر در مورد استفاده از سیستمهای دستهبند یادگیر در زمینه های اصلی داده های یادگیری ماشین را شرح می دهد: طبقه بندی، خوشه بندی، سری زمانی و پیش بینی عددی، انتخاب ویژگی ها، مجموعه ها و کشف دانش.
فایل pdf کتاب را از اینجا دانلود نمایید.
[1] L. Bull, E. Bernadó-Mansilla, and J. Holmes, Learning Classifier Systems in Data Mining. Springer Berlin Heidelberg, 2008.