بررسی روندهای جدید یادگیری عمیق در بیوانفورماتیک و بیولوژی رایانشی و محاسباتی

بررسی روندهای جدید یادگیری عمیق در بیوانفورماتیک و بیولوژی رایانشی و محاسباتی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 20

تعداد کلمات : 6200

مجله : Frontiers in Genetics

انتشار : 2019

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
12 آگوست 2021
دسته بندی
تعداد بازدیدها
1236 بازدید
49,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:بررسی روندهای جدید یادگیری عمیق در بیوانفورماتیک و بیولوژی رایانشی و محاسباتی

 چکیده

استنباط اطلاعات و دانش مهم از داده‌های عظیم اومیگس یک موضوع بسیار ویژه در بیوانفورماتیک و بیولوژی محاسباتی محسوب می‌شود. یک بخش مهم از یادگیری ماشینی، یادگیری عمقی یا عمیق می‌باشد که کارایی بالایی در زمینه‌های علمی و صنعتی داشته است. در این مطالعه مدل‌های مورد کاربرد در تحقیقات یادگیری عمیق از نظر تشابه و تفاوت بررسی می‌شود و در خصوص مؤلفه‌های آن‌ها به همزاه مزایا و معایب تحقیق می‌کنیم. طبق پیش بینی این می‌تواند به توسعه تئوری، الگوریتم و استفاده از آن در بیولوژی رایانشی و محاسباتی کمک کند(بیوانفورماتیک و بیولوژی رایانشی و محاسباتی).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Recent Advances of Deep Learning in Bioinformatics and Computational Biology

Abstract

 Extracting inherent valuable knowledge from omics big data remains as a daunting problem in bioinformatics and computational biology. Deep learning, as an emerging branch from machine learning, has exhibited unprecedented performance in quite a few applications from academia and industry. We highlight the difference and similarity in widely utilized models in deep learning studies, through discussing their basic structures, and reviewing diverse applications and disadvantages. We anticipate the work can serve as a meaningful perspective for further development of its theory, algorithm and application in bioinformatic and computational biology.