Découvrez les concepts, les méthodologies et les applications de l’apprentissage profond pour créer des modèles prédictifs à partir de jeux de données génomiques complexes et relever les défis des secteurs des sciences de la vie et des biotechnologies. Caractéristiques principales Appliquer des algorithmes d’apprentissage profond pour résoudre des problèmes concrets dans le domaine de la génomique Extraire des connaissances biologiques à partir de modèles d’apprentissage profond entraînés sur des jeux de données génomiques Entraîner, ajuster, évaluer, déployer et surveiller des modèles d’apprentissage profond afin de produire des prédictions en génomique Description du livre
L’apprentissage profond a montré des résultats remarquables dans le domaine de la génomique ; cependant, cette discipline manque de spécialistes qualifiés en apprentissage profond. Ce livre aidera les chercheurs et les spécialistes des données à se démarquer et à résoudre des problèmes concrets en génomique en acquérant les compétences nécessaires. En commençant par une présentation des concepts essentiels, cet ouvrage met en évidence le potentiel de l’apprentissage profond pour traiter les mégadonnées en génomique. Vous découvrirez d’abord les analyses génomiques classiques, puis passerez aux applications génomiques de pointe fondées sur l’apprentissage automatique, avant d’explorer les approches d’apprentissage profond appliquées à la génomique. Le livre présente tous les algorithmes importants d’apprentissage profond couramment utilisés par la communauté scientifique et explique en détail ce qu’ils sont, leur fonctionnement et leurs applications pratiques en génomique. Une section entière est consacrée à la mise en œuvre opérationnelle des modèles d’apprentissage profond. Elle propose des tutoriels pratiques qui aideront les chercheurs et les spécialistes de l’apprentissage profond à créer, ajuster, interpréter, déployer, évaluer et surveiller des modèles d’apprentissage profond à partir de grands jeux de données génomiques.
À la fin de ce livre, vous connaîtrez les défis, les bonnes pratiques et les écueils de l’apprentissage profond appliqué à la génomique. Ce que vous apprendrez Découvrir les applications de l’apprentissage automatique en génomique Explorer les concepts et les méthodologies de l’apprentissage profond appliqués à la génomique Comprendre les algorithmes d’apprentissage profond supervisé pour les applications en génomique Maîtriser l’apprentissage profond non supervisé avec les autoencodeurs Améliorer les modèles d’apprentissage profond à l’aide de modèles génératifs Mettre en œuvre opérationnellement des modèles d’apprentissage profond à partir de jeux de données génomiques Visualiser et interpréter des modèles d’apprentissage profond Comprendre les défis, les écueils et les bonnes pratiques de l’apprentissage profond À qui s’adresse ce livre ?
Ce livre sur l’apprentissage profond s’adresse aux ingénieurs en apprentissage automatique, aux spécialistes des données et aux universitaires qui travaillent dans le domaine de la génomique. Il suppose que les lecteurs possèdent des connaissances intermédiaires en programmation Python, des connaissances de base des bibliothèques Python telles que NumPy et Pandas pour manipuler et analyser les données, ainsi que de Matplotlib et Seaborn pour les visualiser, sans oublier des notions de génomique et d’analyse génomique. Table des matières Introduction à l’apprentissage automatique pour la génomique Analyse des données génomiques Méthodes d’apprentissage automatique pour les applications génomiques Apprentissage profond pour la génomique Introduction aux réseaux neuronaux convolutifs pour la génomique Réseaux neuronaux récurrents en génomique Apprentissage profond non supervisé avec les autoencodeurs GAN pour améliorer les modèles en génomique Création et ajustement de modèles d’apprentissage profond Interprétabilité des modèles en génomique Déploiement et surveillance des modèles Défis, écueils et bonnes pratiques de l’apprentissage profond en génomique

Catégories :

• Informatique et technologies
  • Bases de données et mégadonnées
    • Modélisation et conception des données