掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于深度學習的生命科學 版權信息
- ISBN：9787519845940
- 條形碼：9787519845940 ; 978-7-5198-4594-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于深度學習的生命科學 本書特色
深度學習在許多領域已經取得了令人矚目的成就。而今，它正在整個科學界特別是生命科學界掀起波瀾。本書是一本注重實際操作的書，為開發者和科學研究者講述了如何在基因組學、化學、生物物理學、顯微鏡學、醫學分析及其他領域中應用深度學習。 “本書是對科學界的寶貴貢獻。” ——Prabhat NERSC、Lawrence Berkeley國家實驗室數據和分析服務團隊負責人 “本書是一本優秀的高水平著作，提供了特定技術的切入點，和對基礎科學的討論。” ——C.Titus Brown UC,Davis副教授 深度學習算法擅長于識別和利用大型數據集中的模式。本書概述了深度學習在生命科學許多領域的應用，包括在遺傳學、藥物發現以及醫學診斷中的應用。
基于深度學習的生命科學 內容簡介
你將跟隨設計一個將物理、化學、生物學和醫學聯系在一起的新療法問題的案例研究，該案例代表了科學研究中的一個擁有挑戰性的問題。通過本書，你將學到：學習在分子數據上執行機器學習的基礎知識。理解為什么深度學習是研究遺傳學和基因組學的有力工具。應用深度學習理解生物物理系統。通過DeepChem獲得機器學習的簡單認識。使用深度學習分析顯微圖像。使用深度學習技術分析醫學掃描圖像。了解變分自編碼器和生成對抗網絡。解釋你的模型在做什么以及它是如何工作的。
基于深度學習的生命科學 目錄
目錄
前言 1
第1 章 為什么是生命科學？ 7
為什么是深度學習？ 7
當代生命科學是關于數據的 8
你能學到什么？ 9
第2 章 深度學習概論 15
線性模型 16
多層感知器 18
訓練模型 22
驗證 24
正則化 25
超參數優化 26
其他類型的模型 28
卷積神經網絡 28
遞歸神經網絡 29
延伸閱讀 31
第3 章 基于DeepChem 的機器學習 33
DeepChem 數據集 34
訓練一個預測分子毒性的模型 36
案例研究：訓練MNIST 模型 44
MNIST 數字識別數據集 45
MNIST 的卷積結構 46
softmax 和SoftMaxCrossEntropy 50
結論 51
第4 章 分子的機器學習 53
什么是分子？ 54
什么是分子鍵？ 56
分子圖 58
分子構型 59
分子的手性60
分子的特征表示 62
SMILES 字符串和RDKit 62
擴展– 連接指紋 62
分子描述符63
圖卷積 64
訓練一個模型來預測溶解度 65
MoleculeNet 67
SMARTS 字符串 67
結論 70
第5 章 生物物理的機器學習 71
蛋白質結構 73
蛋白質序列75
不能用計算方法預測3D 蛋白質結構嗎？ 77
蛋白質結合簡介 78
生物物理數據的特征化 79
網格特征化80
原子特征化84
PDBBind 案例研究 85
PDBBind 數據集 85
特征化PDBBind 數據集 89
結論 93
第6 章 基因組學的深度學習 97
DNA、RNA 和蛋白質 98
現在是現實世界 100
轉錄因子的結合 102
一個用于TF 結合的卷積模型 103
染色質可接近性 106
RNA 干擾 109
結論 112
第7 章 顯微鏡檢查的機器學習 115
顯微學簡介 117
現代光學顯微技術 118
衍射極限 120
電子和原子力顯微技術 122
超分辨顯微技術 124
深度學習和衍射極限? 126
制備生物顯微鏡樣本 126
染色 126
樣本固定 128
切片樣本 128
熒光顯微技術 129
樣本制備工件 131
深度學習應用 132
細胞計數 132
什么是細胞系？ 132
細胞分割 136
計算分析 141
結論 141
第8 章 醫學領域的深度學習 143
計算機輔助診斷 143
貝葉斯網絡的概率診斷 145
電子健康記錄數據 146
ICD-10 編碼 147
那么無監督學習呢？ 148
患者EHR 大型數據庫存在危險嗎？ 149
用于放射學的深度學習 150
x 線掃描和CT 掃描 153
組織學 155
核磁共振掃描 156
學習模型作為一種治療方法 157
糖尿病視網膜病變 158
結論 162
道德考慮 162
失業 163
小結 164
第9 章 生成模型 165
變分自編碼 165
生成對抗網絡 167
生成模型在生命科學中的應用 169
為先導化合物提供新思路 169
蛋白質的設計 170
用于科學發現的工具 170
生成建模的未來 170
使用生成模型 171
分析生成模型的輸出 173
結論 176
第10 章 深層模型的解釋 179
解釋預測 180
優化輸入 183
預測的不確定性 187
可解釋性、可擴展性和實際后果 191
結論 192
第11 章 虛擬篩選工作流示例 193
為預測建模準備數據集 194
訓練預測模型 201
為模型預測準備數據集 207
應用預測模型 211
結論 219
第12 章 前景和展望 221
醫學診斷 221
個性化醫療 223
藥物研發 225
生物學研究 226
結論 228
展開全部
基于深度學習的生命科學 作者簡介
Bharath Ramsundar是Computable的聯合創始人和首席技術官。 Peter Eastman在Stanford University開發了計算化學和生物學方面的軟件。 Patrick Walters是Relay Therapeutics公司計算與信息學小組的負責人。 Vijay Pande是Andreessen Horowitz公司的合伙人。
書友推薦
- >
唐代進士錄
- >
隨園食單
- >
煙與鏡
- >
經典常談
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
莉莉和章魚
- >
朝聞道
本類暢銷
