کاربردهای یادگیری ماشین در زیست شناسی با استفاده از داده کاوی

با پیشرفت تکنولوژی و افزایش چشمگیر داده های زیستی ، علاوه بر ذخیره سازی و نگهداری ، استخراج اطلاعات سودمند از این حجم از داده نیز چالش بزرگی را برای پژوهشگران به وجود آوردهاست . به این منظور، برای به دست آوردن دانش از داده های زیستی از ابزارها و روشهای یادگیری ماشین استفاده می شود. یادگیری ماشین که زیرشاخه ای از علوم رایانه است ، دارای کاربردهای بسیاری در بیوانفورماتیک است . بیوانفورماتیک دانشی است که به جنبه های ریاضی و محاسباتی زیست شناسی برای فهم و پردازش داده های زیستی می پردازد. بیوانفورماتیک و زیست شناسی محاسباتی شامل برنامه های جامع ریاضیات، تکنیک های محاسباتی و مهندسی آمار، علوم، و علوم کامپیوتر است که به درک درست سیستم های زنده کمک می کند. تحقیق و توسعه در این زمینه ها نیاز به همکارانی متخصص است که در زمینه های زیست شناسی ، علوم کامپیوتر، ریاضیات، آمار، فیزیک و علوم مرتبط تسلط دارند. بیوانفورماتیک علم ذخیره سازی ؛ تجزیه و تحلیل و استفاده از اطلاعات داده های زیستی مانند توالیها، مولکولها، بیان ژن و مسیرها است . الگوی تطبیق و اجزای کشف الگو از داده کاوی اغلب توسط استفاده از روش های یادگیری ماشین انجام می شود. قابلیت های یادگیری برای بهبود اثبات عملکرد یک سیستم محاسباتی در طول زمان بر اساس نتایج قبلی به طور خودکار است . در این بررسی ، هدف ما این است که به خوانندگان چند تکنیک کلیدی یادگیری ماشین ارائه شود. از جمله تکنیک های پرکاربرد می توان شبکه های عصبی عمیق را نام برد. تکنیک های مختلفی که ممکن است برای انواع خاصی از داده های بیولوژیکی مناسب باشند، و همچنین برخی از بهترین شیوه ها و نکاتی را که باید در هنگام شروع آزمایش های مربوط به یادگیری ماشین در نظر گرفته شود، مورد بحث قرار می دهیم .

کلیدواژه ها:

یادگیری ماشین ، داده های زیستی ، شبکه های عصبی ، یادگیری عمیق ، داده کاوی