کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی

کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی نوشته اسوال آنتونیو مونته سینوس لوپز، آبلاردو مونته سینوس لوپز و خوزه کراسا، مسئله‌ی پیش‌بینی صفات گیاهی از روی داده‌های ژنتیکی را بررسی می‌کند. نویسندگان نشان می‌دهند که هیچ مدلی برای همه‌ی داده‌ها بهترین نیست و انتخاب روش به ویژگی‌های صفت، نشانگرها و محیط بستگی دارد. عباس سعیدی، زهره حاجی برات و زهرا حاجی برات مترجمان این کتاب هستند و انتشارات دانشگاه شهید بهشتی این کتاب را منتشر کرده است. مباحث از آماده‌سازی داده‌ها تا مدل‌های بیزی و شبکه‌های عصبی امتداد دارند. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی

کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی، دانش آماری و محاسباتی لازم برای مدل‌سازی در انتخاب ژنومی را در زمینه‌ی اصلاح نباتات توضیح می‌دهد. اسوال آنتونیو مونته سینوس لوپز، آبلاردو مونته سینوس لوپز و خوزه کراسا، پیش‌بینی را صرفاً اجرای یک الگوریتم نمی‌دانند؛ کیفیت ورودی‌ها، هدف پژوهش و شیوه‌ی سنجش نتیجه نیز در این فرایند نقش دارند. مسئله‌ی محوری، استفاده از اطلاعات نشانگرهای مولکولی برای برآورد صفاتی است که در افراد کاندیدا اندازه‌گیری نشده‌اند. داده‌های ژنومی معمولاً نشانگرهای فراوان و مشاهدات نسبتاً محدودی دارند؛ همین وضعیت، برازش مدل و تعمیم نتیجه به نمونه‌های تازه را دشوار می‌کند. نویسندگان تفاوت پیش‌بینی و استنباط را توضیح داده‌اند تا هدف ساخت مدل روشن بماند. مثال‌های مبتنی‌بر داده‌های واقعی گندم و ذرت نیز پیوند مباحث با مسائل اصلاح گیاهان را نشان می‌دهند. متن، علاوه‌بر مبانی نظری، کدهای تحلیل در محیط R را در اختیار می‌گذارد. مخاطب در نتیجه با توضیح روش‌ها و نحوه‌ی اجرای تحلیل مواجه می‌شود، نه صرفاً فهرستی از الگوریتم‌ها.
کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی ۱۵ فصل دارد. فصل‌های آغازین به عناصر انتخاب ژنومی، ابزارهای پیش‌پردازش، رگرسیون خطی و موضوع «بیش‌برازش، تنظیم مدل و ارزیابی پیش‌بینی» اختصاص دارند. مباحث بعدی، مدل‌های خطی مختلط، رگرسیون ژنومی بیزی و روش‌های مناسب داده‌های دسته‌بندی‌شده و شمارشی را شرح می‌دهند. روش‌های هسته، ماشین‌های بردار پشتیبان، شبکه‌های عصبی مصنوعی و یادگیری عمیق نیز در فصل‌های جداگانه بررسی شده‌اند. فصل‌های پایانی، شبکه‌های عصبی پیچشی، رگرسیون تابعی و جنگل تصادفی را معرفی می‌کنند. دامنه‌ی بحث به یک صفت یا یک محیط محدود نیست؛ مدل‌های چندصفتی و چندمحیطی نیز جای مشخصی دارند. نویسندگان انواع پاسخ‌های پیوسته، باینری، ترتیبی و ترکیبی را در نظر گرفته‌اند. استقلال نسبی فصل‌ها امکان مراجعه‌ی موضوعی را فراهم می‌کند، هرچند مباحث نظری برای مخاطب بدون زمینه‌ی آماری می‌توانند دشوار باشند. توضیح مفاهیمی مانند ماتریس‌ها، اعتبارسنجی متقابل، جریمه‌ها و توابع فعال‌سازی، زمینه‌ی ورود به بخش‌های تخصصی‌تر را فراهم کرده است. بحث رگرسیون تابعی و پردازش تصویر نیز نشان می‌دهد که ورودی تحلیل لزوماً به نشانگرهای مولکولی محدود نمی‌ماند و اطلاعات فنوتیپی هم می‌توانند در پیش‌بینی نقش داشته باشند.

خلاصه کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی

کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی، انتخاب ژنومی را فرایندی مبتنی‌بر یادگیری از یک جمعیت مرجع معرفی می‌کند. مدل ابتدا رابطه‌ی داده‌های ژنوتیپی و فنوتیپی شناخته‌شده را می‌آموزد؛ سپس صفات افراد دیگری را پیش‌بینی می‌کند که اطلاعات ژنومی آن‌ها در دسترس است. پیام اصلی، ضرورت تناسب روش با مسئله است: معماری ژنتیکی صفت، اندازه‌ی نمونه، تراکم نشانگرها و برهم‌کنش ژنوتیپ و محیط بر انتخاب مدل اثر می‌گذارند. آماده‌سازی ورودی‌ها، منظم‌سازی و تنظیم ابرپارامترها به کنترل خطا کمک می‌کنند. اعتبارسنجی متقابل نیز معیاری برای سنجش توان پیش‌بینی روی داده‌های دیده‌نشده فراهم می‌آورد. نویسندگان مدل‌های آماری و الگوریتم‌های یادگیری ماشین را در امتداد همین مسئله توضیح داده‌اند. نتیجه‌ی محوری این است که پیچیدگی بیشتر مدل، به‌خودی‌خود تضمین‌کننده‌ی پیش‌بینی بهتر نیست و ارزیابی باید کیفیت پیش‌بینی، هزینه‌ی محاسباتی و ویژگی‌های داده را هم‌زمان در نظر بگیرد.

چرا باید کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی را بخوانیم؟

دلایل خواندن کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی را می‌توان این‌طور خلاصه کرد:

• مثال‌های گندم و ذرت، کاربرد مدل‌ها در اصلاح نباتات را نشان می‌دهند.
• کدهای R امکان پیگیری اجرای تحلیل‌ها را فراهم می‌کنند.
• مباحث اعتبارسنجی به تشخیص بیش‌برازش و سنجش تعمیم‌پذیری کمک می‌کنند.
• بررسی پاسخ‌های مختلف، شناخت روش‌های مناسب هر نوع داده را گسترش می‌دهد.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

کتاب روش های یادگیری ماشین آماری چندمتغیره در پیش بینی ژنومی به این گروه‌ها پیشنهاد می‌شود:

• پژوهشگران اصلاح نباتات که با انتخاب ژنومی سروکار دارند.
• دانشجویان ژنتیک و آمار که به مدل‌سازی صفات علاقه‌مندند.
• تحلیلگران داده‌های زیستی که به بررسی مدل‌های چندمتغیره نیاز دارند.