Uczenie maszynowe w bioinformatyce

Literatura

  • Metody analizy danych i uczenia się maszyn

    • M. Krzyśko, W. Wołyński, T. Górecki, M. Skorzybut: Systemy uczące się. Rozpoznawanie wzorców analiza skupień i redukcja wymiarowości. PWN, 2008
    • R. Szmurło, S. Osowski: Matematyczne modele uczenia maszynowego w językach MATLAB i PYTHON. Oficyna Wydawnicza PW, 2024
    • T. Hastie, R. Tibshirani, J. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Verlag, 2009
    • Szeliga M.: Data Science i uczenie maszynowe. PWN, 2017

  • Bioinformatyka

    • P. G. Higgs, T. K. Attwood: Bioinformatyka i ewolucja molekularna. PWN, 2011
    • T. Antao: Bioinformatics with Python Cookbook. Packt Publishing, 2018

  • Biologia molekularna

    • T. A. Brown: Genomy. PWN, 2019

Materiały dodatkowe

Oprogramowanie

  • scikit-learn - biblioteka implementująca różne algorytmy uczenia się maszyn w języku Python
  • MLlib - biblioteka implementująca różne algorytmy uczenia się maszyn w środowisku Apache Spark
  • Bioconductor - zbiór pakietów dla środowiska R przeznaczonych do analizy danych z wielkoskalowych technik pomiarowych (m.in. z mikromacierzy, sekwencjonowania NG i spektrometrii mas)