| Título : |
Computational Reconstruction of Missing Data in Biological Research |
| Tipo de documento: |
documento electrónico |
| Autores: |
Bao, Feng, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XVII, 105 p. 43 ilustraciones, 41 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1630644-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Aprendizaje automático Inteligencia artificial Ciencias de la Computación Informática Estadistica matematica Identificación biométrica Bioinformática Ciencia de los datos Teoría y algoritmos para dominios de aplicación Probabilidad y Estadística en Informática Biometría |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Las biotecnologías emergentes han avanzado significativamente en el estudio de los mecanismos biológicos. Sin embargo, los datos biológicos suelen contener una gran cantidad de información faltante, por ejemplo, faltando características, etiquetas o muestras, lo que limita en gran medida el uso extensivo de los datos. En este libro, presentamos diferentes tipos de escenarios de falta de datos biológicos y proponemos modelos de aprendizaje automático para mejorar el análisis de datos, incluida la recuperación profunda de redes neuronales recurrentes para las características faltantes, el aprendizaje teórico de la información sólido para las faltas de etiquetas y el reequilibrio consciente de la estructura para las faltas menores de muestras. . Los modelos del libro cubren los campos del aprendizaje de desequilibrio, el aprendizaje profundo, las redes neuronales recurrentes y la inferencia estadística, proporcionando una amplia gama de referencias de la integración entre la inteligencia artificial y la biología. Con conjuntos de datos biológicos y simulados, aplicamos enfoques a una variedad de tareas biológicas, incluida la caracterización unicelular, estudios de asociación de todo el genoma, segmentaciones de imágenes médicas y cuantificamos el desempeño en una serie de métricas exitosas. El esquema de este libro es el siguiente. En el Capítulo 2, presentamos la recuperación estadística de características de datos faltantes; en el Capítulo 3, presentamos la recuperación estadística de etiquetas faltantes; en el Capítulo 4, presentamos la recuperación estadística de información de muestra de datos faltantes; Finalmente, en el Capítulo 5, resumimos el texto completo y proyectamos direcciones futuras. Este libro puede utilizarse como referencia para investigadores en biología computacional, bioinformática y bioestadística. Se espera que los lectores tengan conocimientos básicos de estadística y aprendizaje automático. |
| Nota de contenido: |
Chapter 1 Introduction -- Chapter 2 Fast computational recovery of missing features for large-scale biological data -- Chapter 3 Computational recovery of information from low-quality and missing labels -- Chapter 4 Computational recovery of sample missings -- Chapter 5 Summary and outlook. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Computational Reconstruction of Missing Data in Biological Research [documento electrónico] / Bao, Feng, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2021 . - XVII, 105 p. 43 ilustraciones, 41 ilustraciones en color. ISBN : 978-981-1630644-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Aprendizaje automático Inteligencia artificial Ciencias de la Computación Informática Estadistica matematica Identificación biométrica Bioinformática Ciencia de los datos Teoría y algoritmos para dominios de aplicación Probabilidad y Estadística en Informática Biometría |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Las biotecnologías emergentes han avanzado significativamente en el estudio de los mecanismos biológicos. Sin embargo, los datos biológicos suelen contener una gran cantidad de información faltante, por ejemplo, faltando características, etiquetas o muestras, lo que limita en gran medida el uso extensivo de los datos. En este libro, presentamos diferentes tipos de escenarios de falta de datos biológicos y proponemos modelos de aprendizaje automático para mejorar el análisis de datos, incluida la recuperación profunda de redes neuronales recurrentes para las características faltantes, el aprendizaje teórico de la información sólido para las faltas de etiquetas y el reequilibrio consciente de la estructura para las faltas menores de muestras. . Los modelos del libro cubren los campos del aprendizaje de desequilibrio, el aprendizaje profundo, las redes neuronales recurrentes y la inferencia estadística, proporcionando una amplia gama de referencias de la integración entre la inteligencia artificial y la biología. Con conjuntos de datos biológicos y simulados, aplicamos enfoques a una variedad de tareas biológicas, incluida la caracterización unicelular, estudios de asociación de todo el genoma, segmentaciones de imágenes médicas y cuantificamos el desempeño en una serie de métricas exitosas. El esquema de este libro es el siguiente. En el Capítulo 2, presentamos la recuperación estadística de características de datos faltantes; en el Capítulo 3, presentamos la recuperación estadística de etiquetas faltantes; en el Capítulo 4, presentamos la recuperación estadística de información de muestra de datos faltantes; Finalmente, en el Capítulo 5, resumimos el texto completo y proyectamos direcciones futuras. Este libro puede utilizarse como referencia para investigadores en biología computacional, bioinformática y bioestadística. Se espera que los lectores tengan conocimientos básicos de estadística y aprendizaje automático. |
| Nota de contenido: |
Chapter 1 Introduction -- Chapter 2 Fast computational recovery of missing features for large-scale biological data -- Chapter 3 Computational recovery of information from low-quality and missing labels -- Chapter 4 Computational recovery of sample missings -- Chapter 5 Summary and outlook. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Computational Reconstruction of Missing Data in Biological Research
