內容簡介
統計學習理論是20世紀90年代逐漸成熟的機器學習理論,以這種理論為基礎的支持向量機與以往的學習機器相比具有支持小樣本、不會陷入局部勢井、魯棒性好以及運算成本低等優勢。實現這種理論的支持向量機算法已經成為機器學習和知識挖掘的標準工具。
自從2001年支持向量機被首次用於蛋白質二級結構的預測以來,這種算法發展到蛋白質的結構類型、亞細胞結構和膜蛋白的結構等領域的預測中。本書詳細介紹了依據統計學習理論構建支持向量機的方法、各種相關軟件原理和使用方法,並以二級結構和結構域為例介紹了以支持向量機為工具預測蛋白質結構的方法。書中使用了大量的原創性實驗結果,理論聯繫實際,詳細闡述了以支持向量機為工具預測蛋白質結構的全過程。
本書適合從事蛋白質結構基礎研究的學生和科技工作者閱讀。
自從2001年支持向量機被首次用於蛋白質二級結構的預測以來,這種算法發展到蛋白質的結構類型、亞細胞結構和膜蛋白的結構等領域的預測中。本書詳細介紹了依據統計學習理論構建支持向量機的方法、各種相關軟件原理和使用方法,並以二級結構和結構域為例介紹了以支持向量機為工具預測蛋白質結構的方法。書中使用了大量的原創性實驗結果,理論聯繫實際,詳細闡述了以支持向量機為工具預測蛋白質結構的全過程。
本書適合從事蛋白質結構基礎研究的學生和科技工作者閱讀。