
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
«علم دادهٔ عملی برای زیستشناسان با پایتون» برای پاسخ به نیاز گستردهٔ زیستشناسان امروز در مدیریت حجم زیاد داده طراحی شده است. با ظهور فناوریهای پرتوان و در پی آن در دسترس بودن دادههای اومیکس، علوم زیستی به حوزهای دادهمحور تبدیل شده است. این کتاب درسی کاربردی با هدف آسانتر کردن تحلیل داده نوشته شده و رویکردی تعاملی و مبتنی بر مسئله در زبان برنامهنویسی پایتون ارائه میدهد. کتاب با مقدمهای بر پایتون آغاز میشود و بهتدریج به تکنیکهای دقیق مدیریت داده، پیشپردازش و مصورسازی میپردازد. در پایان، الگوریتمهای یادگیری ماشین و کاربرد آنها در علم دادهٔ زیستی معرفی میشوند. هر موضوع با توضیحی روشن از مفاهیم همراه است و مثالهای زیستی نیز در کنار آن آمده است. ویژگیهای این کتاب: کتاب شامل الگوهای استاندارد تحلیل داده با پایتون است که هم برای مبتدیان و هم برای افراد پیشرفته مناسباند. این کتاب پیادهسازیهای عملی مدیریت داده و الگوریتمهای یادگیری ماشین را با مجموعهدادهها و مسائل واقعی زیستی نشان میدهد؛ از جمله تحلیل بیان ژن، پیشبینی بیماری، تشخیص تصویر، و ارتباط SNP با فنوتیپها و بیماریها. با توجه به اهمیت مصورسازی برای تفسیر داده، بهویژه در سامانههای زیستی، فصلی جداگانه به آسانسازی مصورسازی و رسم نمودار اختصاص یافته است. هر فصل بهصورت تعاملی طراحی شده و همراه با نوتبوک Jupyter است تا خوانندگان بتوانند در سیستم خود تمرین کنند. یکی دیگر از بخشهای نوآورانهٔ کتاب، پروژهٔ یادگیری ماشین است که در آن الگوریتمهای گوناگون برای شناسایی ژنهای مرتبط با اختلالات وابسته به سن به کار گرفته میشوند. درک نظاممند مراحل تحلیل داده همواره عنصری مهم در پژوهش زیستی بوده است. این کتاب منبعی در دسترس است که هم بهعنوان راهنمای تحلیل داده و هم بهعنوان مجموعهای از الگوهای استاندارد کد برای ساخت مدلها قابل استفاده است. — ارائهشده توسط ناشر
"Hands-on Data Science for Biologists using Python has been conceptualized to address the massive data handling needs of modern-day biologists. With the advent of high throughput technologies and consequent availability of omics data, biological science has become a data-intensive field. This hands-on textbook has been written with the inception of easing data analysis by providing an interactive, problem-based instructional approach in Python programming language. The book starts with an introduction to Python and steadily delves into scrupulous techniques of data handling, preprocessing, and visualization. The book concludes with machine learning algorithms and their applications in biological data science. Each topic has an intuitive explanation of concepts and is accompanied with biological examples. Features of this book: The book contains standard templates for data analysis using Python, suitable for beginners as well as advanced learners. This book shows working implementations of data handling and machine learning algorithms using real-life biological datasets and problems, such as gene expression analysis; disease prediction; image recognition; SNP association with phenotypes and diseases. Considering the importance of visualization for data interpretation, especially in biological systems, there is a dedicated chapter for the ease of data visualization and plotting. Every chapter is designed to be interactive and is accompanied with Jupyter notebook to prompt readers to practice in their local systems. Other avant-garde component of the book is the inclusion of a machine learning project, wherein various machine learning algorithms are applied for the identification of genes associated with age-related disorders. A systematic understanding of data analysis steps has always been an important element for biological research. This book is a readily accessible resource that can be used as a handbook for data analysis, as well as a platter of standard code templates for building models"-- Provided by publisher