幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習在生物學中的應用(運用人工智慧解決真實世界的生物學問題)

  • 作者：(德國)查爾斯·拉瓦拉尼//(美國)娜塔莎·拉蒂舍娃|責編:張燁|譯者:楊洋//嚴文穎//高錦
  • 出版社：東南大學
  • ISBN：9787576629781
  • 出版日期：2026/07/01
  • 裝幀：平裝
  • 頁數：437
人民幣：RMB 168 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是一部注重實踐、以項目驅動的專業指南，旨在彌合現代機器學習與真實世界生物學研究之間的鴻溝。無論你的專業背景是生物學、軟體工程還是數據科學，《深度學習在生物學中的應用》都將為你提供開發深度學習模型的系統工具，以應對廣泛的生物學挑戰。
    作者Charles Ravarani與Natasha Latysheva將通過一系列實操項目，指導你將深度學習應用於DNA、蛋白質、生物網路、醫學影像和顯微成像等前沿領域。每一章均為一個獨立的小型研究項目，通過循序漸進的講解，教你如何利用真實的生物學數據訓練和解讀深度學習模型。
    本書涵蓋：
    構建模型以解決真實世界的生物學問題，如基因調控、蛋白質功能預測、藥物相互作用和癌症檢測。
    應用卷積神經網路、Transformer、圖神經網路和自編碼器等前沿架構。
    使用Python和互動式notebook開展實操學習。
    培養可遷移至生物學之外領域的問題解決直覺。
    無論你是在探索新方法、轉向計算生物學，還是希望在自己的領域中理解機器學習，本書都將提供一條清晰、專業且易於上手的前進路徑。
作者介紹
(德國)查爾斯·拉瓦拉尼//(美國)娜塔莎·拉蒂舍娃|責編:張燁|譯者:楊洋//嚴文穎//高錦
目錄
前言
第1章 簡介
  1.1 入門
    1.1.1 確定你的模型將取代什麼
    1.1.2 確定你的成功標準
    1.1.3 大力投入評估工作
    1.1.4 設計基線
    1.1.5 項目時間盒管理
    1.1.6 決定你是否真的需要深度學習
    1.1.7 確保你擁有足夠的良好數據
    1.1.8 組建團隊
    1.1.9 你不需要超級電腦或更高的學歷
  1.2 技術簡介
    1.2.1 為什麼選擇JAX和Flax？
    1.2.2 Python提示
    1.2.3 JAX/Flax訓練循環的解剖結構
  1.3 機器學習概念
    1.3.1 任務類型
    1.3.2 體系結構類型
    1.3.3 數據集分割
    1.3.4 超參數
    1.3.5 激活函數
    1.3.6 優化器
    1.3.7 初始化策略
    1.3.8 模型檢查點
    1.3.9 提前停止
  1.4 選擇工作環境
    1.4.1 選擇互動式筆記本
    1.4.2 為代碼的重用和調試而構建結構
    1.4.3 設置GPU開發環境
    1.4.4 版本衝突
  1.5 動態更新的文檔
第2章 學習蛋白質序列語言
  2.1 生物基礎
    2.1.1 蛋白質結構
    2.1.2 蛋白質功能
    2.1.3 蛋白質功能預測
  2.2 機器學習基礎
    2.2.1 大型語言模型
    2.2.2 嵌入表示
    2.2.3 預訓練與微調
  2.3 蛋白質與蛋白質語言模型的表徵
    2.3.1 蛋白質的數值化表示
    2.3.2 蛋白質序列的獨熱編碼
    2.3.3 氨基酸的學習嵌入
    2.3.4 ESM2蛋白質語言模型
    2.3.5 全蛋白質嵌入提取策略
    2.3.6 細胞外蛋白與膜蛋白嵌入對比
  2.4 準備數據
    2.4.1 載入CAFA3數據

    2.4.2 將數據集劃分為子集
    2.4.3 將蛋白質序列轉換為對應的均值嵌入表示
  2.5 模型訓練
    2.5.1 定義訓練循環
    2.5.2 模型預測分析
    2.5.3 模型實用性評估
    2.5.4 對測試集進行最終驗證
  2.6 改進與提升
    2.6.1 生物學與分析性探索
    2.6.2 機器學習改進方向
  2.7 本章總結
第3章 探索DNA的「邏輯」
  3.1 生物學入門
    3.1.1 DNA究竟是什麼？
    3.1.2 編碼區與非編碼區
    3.1.3 轉錄因子如何調控基因活性
    3.1.4 轉錄因子結合位點的定位測定
  3.2 機器學習速成
    3.2.1 卷積神經網路
    3.2.2 面向DNA序列的卷積
    3.2.3 Transformer
    3.2.4 注意力
    3.2.5 查詢(Q)、鍵(K)與值(V)的直覺
    3.2.6 多頭注意力
    3.2.7 位置編碼
    3.2.8 模型解釋
    3.2.9 電腦模擬飽和誘變
    3.2.10 輸入梯度
  3.3 構建一個簡單原型
    3.3.1 構建數據集
    3.3.2 定義一個簡單的卷積模型
  3.4 提升複雜度
    3.4.1 開展電腦模擬誘變
    3.4.2 多轉錄因子建模
  3.5 高級技術
    3.5.1 添加自注意力與Transformer模塊
    3.5.2 定義多種模型架構
    3.5.3 遍歷不同模型
    3.5.4 在測試集上評估
    3.5.5 擴展與改進
  3.6 本章總結
第4章 用圖理解藥物間作用
  4.1 生物學入門
    4.1.1 有益的藥物—藥物相互作用
    4.1.2 有害的藥物—藥物相互作用
    4.1.3 DrugBank
  4.2 機器學習入門
    4.2.1 圖結構的表示
    4.2.2 圖神經網路
    4.2.3 圖嵌入與消息傳遞

    4.2.4 冷啟動問題
    4.2.5 GraphSAGE
  4.3 選擇數據集
    4.3.1 描述數據集
    4.3.2 探索數據集
    4.3.3 檢查藥物名稱
    4.3.4 可視化圖
  4.4 構建數據集
    4.4.1 創建數據集構建器
    4.4.2 下載原始數據集
    4.4.3 準備註釋
    4.4.4 準備圖
    4.4.5 準備對
    4.4.6 子集化圖
    4.4.7 數據集類
  4.5 構建原型
    4.5.1 節點編碼器
    4.5.2 圖卷積
    4.5.3 鏈接預測
    4.5.4 藥物—藥物相互作用模型
  4.6 訓練模型
    4.6.1 創建一個易於處理的數據集
    4.6.2 創建訓練循環
    4.6.3 創建對類
    4.6.4 創建訓練步驟函數
    4.6.5 創建評估指標
    4.6.6 訓練最簡單的模型
  4.7 改進模型
    4.7.1 更改為AUC損失
    4.7.2 設置模型掃描和訓練參數
    4.7.3 在更大的數據集上訓練
    4.7.4 擴展
  4.8 本章總結
第5章 從醫學影像中檢測皮膚癌
  5.1 生物學基礎
    5.1.1 皮膚癌
    5.1.2 病因與風險因素
    5.1.3 皮膚癌的診斷方式
    5.1.4 基於圖像的皮膚癌檢測
  5.2 機器學習基礎
    5.2.1 卷積神經網路
    5.2.2 理解卷積
    5.2.3 理解維度
    5.2.4 池化層
    5.2.5 CNN的其他核心組件
    5.2.6 殘差網路
  5.3 數據探索
    5.3.1 初步概覽
    5.3.2 圖像預覽
    5.3.3 解決數據集問題

    5.3.4 數據集生成器
    5.3.5 數據集準備就緒
  5.4 構建皮膚癌分類模型
    5.4.1 載入Flax ResNet50模型
    5.4.2 提取ResNet主幹網路
    5.4.3 構建SkinLesionClassifierHead分類頭
    5.4.4 構建模型
  5.5 模型訓練
    5.5.1 訓練循環
    5.5.2 創建多類別數據集
    5.5.3 訓練基線模型
    5.5.4 訓練ResNetFromScratch模型
    5.5.5 訓練FinetunedHeadResNet模型
    5.5.6 訓練FinetunedResNet模型
    5.5.7 優化微調后的ResNet模型
    5.5.8 訓練優化后的微調ResNet模型
    5.5.9 進一步改進模型
  5.6 本章總結
第6章 探究細胞內的空間組織模式
  6.1 生物學入門
    6.1.1 細胞內的空間組織
    6.1.2 蛋白質定位
    6.1.3 了解蛋白質定位
  6.2 機器學習入門
    6.2.1 自動編碼器
    6.2.2 變分自編碼器
    6.2.3 矢量量化變分自編碼器
    6.2.4 解剖VQ-VAE圖
    6.2.5 訓練VQ-VAE
  6.3 構建數據集
    6.3.1 數據要求
    6.3.2 數據來源
    6.3.3 查看數據集
    6.3.4 實現DatasetBuilder類
  6.4 構建原型模型
    6.4.1 定義LocalizationModel
    6.4.2 編碼器：處理輸入圖像
    6.4.3 矢量量化器：離散化嵌入
    6.4.4 解碼器：解碼離散化嵌入返回圖像
    6.4.5 ClassificationHead：一個簡單但重要的模塊
    6.4.6 建立模型訓練
  6.5 使用小圖像集進行訓練
    6.5.1 檢查圖像重建
    6.5.2 檢查跨epoch的評估指標
    6.5.3 不帶分類任務的模型訓練
  6.6 了解模型
    6.6.1 了解定位集群
    6.6.2 檢查特徵譜
  6.7 改進模型
    6.7.1 擴展數據

    6.7.2 延伸學習
  6.8 本章總結
第7章 生物學中利用深度學習的注意事項和技巧
  7.1 簡化
    7.1.1 簡化你的模型
    7.1.2 簡化和控制你的環境
    7.1.3 簡化數據與問題
    7.1.4 對單批數據的過擬合
    7.1.5 回歸基礎
    7.1.6 全面記錄日誌
    7.1.7 尋求幫助
  7.2 常見數據問題
    7.2.1 數據泄露
    7.2.2 錯誤的數據標籤
    7.2.3 類別不平衡
    7.2.4 分佈偏移
  7.3 生物學特有的陷阱
  7.4 常見模型問題
    7.4.1 過擬合與泛化能力不佳
    7.4.2 梯度消失與梯度爆炸
    7.4.3 訓練不穩定性
  7.5 模型性能不佳
    7.5.1 你應該做到多好呢？
    7.5.2 解決模型表現不佳的問題
  7.6 最後的想法

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032