Título: Statistical Modeling and Machine Learning for Molecular Biology
Autor: Alan Moses
Sinopse: 4.3 LIKELIHOOD FOR GAUSSIAN DATA -- 4.4 HOW TO MAXIMIZE THE LIKELIHOOD ANALYTICALLY -- 4.5 OTHER OBJECTIVE FUNCTIONS -- 4.6 MULTIVARIATE STATISTICS -- 4.7 MLEs FOR MULTIVARIATE DISTRIBUTIONS -- 4.8 HYPOTHESIS TESTING REVISITED: THE PROBLEMS WITH HIGH DIMENSIONS -- 4.9 EXAMPLE OF LRT FOR THE MULTINOMIAL: GC CONTENT IN GENOMES -- EXERCISES -- REFERENCES AND FURTHER READING -- SECTION II: Clustering -- CHAPTER 5 Distance-Based Clustering -- 5.1 MULTIVARIATE DISTANCES FOR CLUSTERING -- 5.2 AGGLOMERATIVE CLUSTERING -- 5.2 CLUSTERING DNA AND PROTEIN SEQUENCES -- 5.4 IS THE CLUSTERING RIGHT? -- 5.5 K-MEANS CLUSTERING -- 5.6 SO WHAT IS LEARNING ANYWAY? -- 5.7 CHOOSING THE NUMBER OF CLUSTERS FOR K-MEANS -- 5.8 K-MEDOIDS AND EXEMPLAR-BASED CLUSTERING -- 5.9 GRAPH-BASED CLUSTERING: "DISTANCES" VERSUS "INTERACTIONS" OR "CONNECTIONS"--5.10 CLUSTERING AS DIMENSIONALITY REDUCTION -- EXERCISES -- REFERENCES AND FURTHER READING -- CHAPTER 6 Mixture Models and Hidden Variables for Clustering and Beyond -- 6.1 THE GAUSSIAN MIXTURE MODEL -- 6.2 E-M UPDATES FOR THE MIXTURE OF GAUSSIANS -- 6.3 DERIVING THE E-M ALGORITHM FOR THE MIXTURE OF GAUSSIANS -- 6.4 GAUSSIAN MIXTURES IN PRACTICE AND THE CURSE OF DIMENSIONALITY -- 6.5 CHOOSING THE NUMBER OF CLUSTERS USING THE AIC -- 6.6 APPLICATIONS OF MIXTURE MODELS IN BIOINFORMATICS -- EXERCISES -- REFERENCES AND FURTHER READING -- SECTION III: Regression -- CHAPTER 7 Univariate Regression -- 7.1 SIMPLE LINEAR REGRESSION AS A PROBABILISTIC MODEL -- 7.2 DERIVING THE MLEs FOR LINEAR REGRESSION -- 7.3 HYPOTHESIS TESTING IN LINEAR REGRESSION -- 7.4 LEAST SQUARES INTERPRETATION OF LINEAR REGRESSION -- 7.5 APPLICATION OF LINEAR REGRESSION TO eQTLs -- 7.6 FROM HYPOTHESIS TESTING TO STATISTICAL MODELING: PREDICTING PROTEIN LEVEL BASED ON mRNA LEVEL -- 7.7 REGRESSION IS NOT JUST "LINEAR"-POLYNOMIAL AND LOCAL REGRESSIONS
Contexto da obra
Quando a classificação é mais ampla, o contexto do livro costuma depender ainda mais de autoria, tema e edição. “Statistical Modeling and Machine Learning for Molecular Biology”, de Alan Moses, publicado pela editora Chapman and Hall/CRC, em 2017 e com 282 páginas, integra a categoria Livros Variados. Por isso, autoria, edição e tema acabam tendo ainda mais peso na forma de apresentar o livro.
Editora: Chapman and Hall/CRC
Páginas: 282
Ano: 2017
Edição: 1
Linguagem: pt_BR
ISBN: 9781482258592
ISBN13: 9781482258592
Sobre a editora
Os livros da editora Chapman and Hall/CRC oferecem uma experiência de leitura focada em áreas técnicas e científicas, especialmente em estatística aplicada, programação para análise de dados e modelagem matemática. O catálogo privilegia obras que combinam rigor teórico com exemplos práticos, frequentemente envolvendo softwares como R, SAS, MATLAB e Python. A linguagem tende a ser didática e detalhada, adequada para leitores acadêmicos, pesquisadores e profissionais que buscam aprofundamento em temas como análise estatística, bioinformática, modelagem computacional e programação científica. Há títulos que exploram desde fundamentos conceituais até aplicações avançadas, com um equilíbrio entre explicações teóricas e exercícios práticos, o que sugere um público com interesse em aprendizado progressivo e aplicado.
