X
  GO
Ihre Mediensuche
Suche
Zweigstelle
Medienart


7 von 74
Deep Learning für die Biowissenschaften
Einsatz von Deep Learning in Genomik, Biophysik, Mikroskopie und medizinischer Analyse
Verfasserangabe: Bharath Ramsundar, Peter Eastman, Patrick Walters, Vijay Pande ; deutsche Übersetzung von Helena Schock
Jahr: 2020
Verlag: Heidelberg, O'Reilly
Mediengruppe: Buch
nicht verfügbarnicht verfügbar
Exemplare
 ZweigstelleStandorteStatusFristVorbestellungen
 Vorbestellen Zweigstelle: 07., Urban-Loritz-Pl. 2a Standorte: NN.B Deep / College 6a - Naturwissenschaften Status: Entliehen Frist: 22.12.2021 Vorbestellungen: 0
Inhalt
Deep Learning ist eine rechenintensive, statistische Methode, die der künstlichen Intelligenz zum Durchbruch verholfen hat. Mit der Umsetzung in die Python-Bibliothek DeepChem lassen sich riesige Datenmengen in biophysikalischen, genetischen und medizinischen Anwendungsfällen analysieren.
Aus dem Inhalt:
Vorwort IX // 1 Warum Biowissenschaften? 1 / Warum Deep Learning?. 1 / In den modernen Biowissenschaften geht es um Daten 2 / Was werden Sie lernen? 3 // 2 Einführung in Deep Learning 9 / Lineare Modelle 10 / Mehrlagige Perzeptronen 12 / Trainieren der Modelle 15 / Validierung 17 / Regularisierung 18 / Hyperparameteroptimierung. 19 / Weitere Arten von Modellen 20 / Convolutional Neural Networks. 21 / Recurrent Neural Networks 22 / Weiterführende Literatur. 23 // 3 Machine Learning mit DeepChem 25 / DeepChem-Datensätze 26 / Trainieren eines Modells zur Vorhersage der Toxizität von Molekülen 27 / Fallstudie: Trainieren eines MNIST-Modells 34 / Der MNIST-Datensatz 35 / Eine Konvolutionsarchitektur für MNIST 36 / Fazit. 41 // 4 Machine Learning mit Molekülen 43 / Was ist ein Molekül? 44 / Was sind molekulare Bindungen? 46 / Molekülgraphen 48 / Molekulare Konformationen 49 / Chiralität von Molekülen 50 / Featurization eines Moleküls r 51 / SMILES-Strings und RDKit 51 / Konnektivitäts-Fingerprints , 52 / Molekulare Deskriptoren 53 / Graph Convolutions 53 / Trainieren eines Modells zur Vorhersage der Löslichkeit 54 / MoleculeNet 56 / SMARTS-Strings 56 / Fazit 59 // 5 Biophysikalisches Machine Learning 61 / Proteinstrukturen. 63 / Proteinsequenzen 65 / Eine kurze Einführung in die Proteinbindung 67 / Biophysikalische Eigenschaften 68 / Grid Featurization 69 / Atomare Featurization 74 / Die PDBBind-Fallstudie 74 / Der PDBBind-Datensatz 75 / Merkmale entwickeln im PDBBind-Datensatz 78 / Fazit 82 // 6 Deep Learningin derGenomik 85 / DNA, RNA und Proteine 85 / Und nun zur Wirklichkeit 87 / Transkriptionsfaktor-Bindung 90 / Ein Konvolutionsmodell für die TF-Bindung 91 / Zugänglichkeit von Chromatin. 93 / RNA-Interferenz. 96 / Fazit 99 // 7 Machine Learning in der Mikroskopie101 / Eine kurze Einführung in die Mikroskopie 103 / Zeitgemäße Lichtmikroskopie. 104 / Die Beugungsgrenze. 106 / Elektronen- und Rasterkraftmikroskopie. 108 // Superauflösende Mikroskopie 110 / Deep Learning und die Beugungsgrenze?. 111 / Vorbereiten biologischer Proben für die Mikroskopie. 112 / Einfärben der Proben. 112 / Fixierung der Probe. 113 / Schneiden der Probe f 113 / Fluoreszenzmikroskopie 114 / Artefakte der Probenvorbereitung 116 / Deep-Learning-Anwendungen 117 / Die Zellzählung 117 / Zellsegmentierung. 120 / Rechnergestützte Assays 124 / Fazit. 125 // 8 Deep Learning in der Medizin. 127 / Computerunterstützte Diagnostik 127 / Probabilistische Diagnosen mit Bayes¿schen Netzen 128 / Die elektronische Gesundheitsakte 130 / Worin liegen die Gefahren großer EHR-Datenbanken? 132 / Deep Radiology 133 / Röntgenaufnahmen und CT-Scans 135 / Histologie 138 / MRT-Scans 138 / Lernmodelle als Therapeutika 139 / Diabetische Retinopathie. 140 / Fazit. 144 / Ethische Überlegungen 144 / Arbeitsplatzverluste 145 / Zusammenfassung 146 // 9 Generative Modelle 147 / Variational Autoencoder 147 / Generative Adversarial Networks 149 / Anwendungen generativer Modelle in den Biowissenschaften 151 / Entwicklung neuer Ideen für die Kernstrukturen. 151 / Proteindesign. 152 / Ein Tool für wissenschaftliche Entdeckungen. 152 / Die Zukunft generativer Modellierung. 152 / Mit generativen Modellen arbeiten 153 / Analysieren der Ausgabe des generativen Modells 155 / Fazit 158 // 10 Interpretieren von Deep-Learning-Modellen 161 / Vorhersagen erklären 161 / Eingaben optimieren 165 / Unsicherheit Vorhersagen 168 / Interpretierbarkeit, Erklärbarkeit und reale Konsequenzen 172 / Fazit. 173 // 11 Beispiel eines virtuellen Screening-Workflows 175 / Vorbereiten des Datensatzes 176 / Trainieren eines Vorhersagemodells 182 / Vorbereiten eines Datensatzes für die Vorhersage 187 / Ein Vorhersagemodell anwenden 191 / Fazit 197 // 12 Chancen und Perspektiven 199 / Medizinische Diagnosen 199 / Personalisierte Medizin. 201 / Arzneimittelentwicklung , 202 / Biologische Forschung 204 / Fazit. 205 // Index 207
Details
VerfasserInnenangabe: Bharath Ramsundar, Peter Eastman, Patrick Walters, Vijay Pande ; deutsche Übersetzung von Helena Schock
Jahr: 2020
Verlag: Heidelberg, O'Reilly
Systematik: NN.B
ISBN: 978-3-96009-130-1
2. ISBN: 3-96009-130-3
Beschreibung: 1. Auflage, XI, 219 Seiten : Illustrationen
Originaltitel: Deep learning for the sciences
Mediengruppe: Buch