This HTML5 document contains 194 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
dbohttp://dbpedia.org/ontology/
n6http://dbpedia.org/resource/File:
foafhttp://xmlns.com/foaf/0.1/
dbpedia-eshttp://es.dbpedia.org/resource/
n11https://global.dbpedia.org/id/
dbthttp://dbpedia.org/resource/Template:
rdfshttp://www.w3.org/2000/01/rdf-schema#
n5http://commons.wikimedia.org/wiki/Special:FilePath/
dbpedia-fahttp://fa.dbpedia.org/resource/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
dbpedia-arhttp://ar.dbpedia.org/resource/
owlhttp://www.w3.org/2002/07/owl#
wikipedia-enhttp://en.wikipedia.org/wiki/
dbphttp://dbpedia.org/property/
dbchttp://dbpedia.org/resource/Category:
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
wikidatahttp://www.wikidata.org/entity/
dbrhttp://dbpedia.org/resource/

Statements

Subject Item
dbr:Biostatistics
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
Subject Item
dbr:Machine_Learning_Applications_in_Bioinformatics
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
dbo:wikiPageRedirects
dbr:Machine_learning_in_bioinformatics
Subject Item
dbr:Machine_learning_in_bioinformatics
rdfs:label
Aprendizaje automático en bioinformática تعلم الآلة في المعلوماتية الحية Machine learning in bioinformatics
rdfs:comment
El aprendizaje automático en bioinformática consiste en la aplicación de algoritmos de aprendizaje automático, en entornos de bioinformática, como, por ejemplo, la genómica, la proteómica, los microarrays, la biología de sistemas, la biología evolutiva y la minería de textos.​ Esto permite automatizar la búsqueda de patrones complejos en series de datos, facilitando la comprensión de procesos biológicos tan complejos como la estructura de las proteínas,​ lo que diferencia a esta disciplina de los enfoques tradicionales de bioinformática, que requieren supervisión y que dificultan la aparición de patrones inesperados u ocultos. ​ Machine learning in bioinformatics is the application of machine learning algorithms to bioinformatics, including genomics, proteomics, microarrays, systems biology, evolution, and text mining. Prior to the emergence of machine learning, bioinformatics algorithms had to be programmed by hand; for problems such as protein structure prediction, this proved difficult. Machine learning techniques, such as deep learning can learn features of data sets, instead of requiring the programmer to define them individually. The algorithm can further learn how to combine low-level features into more abstract features, and so on. This multi-layered approach allows such systems to make sophisticated predictions when appropriately trained. These methods contrast with other computational biology approaches تعلم الآلة (بالإنجليزية: Machine learning)‏، هو مجال فرعي من علم الحاسب الذي يشمل على تطوير خوارزميات تعلم كيفية إصدار التوقعات استنادا إلى البيانات، يحتوي على عدد من التطبيقات الناشئة في مجال المعلوماتية الحيوية. المعلوماتية الحيوية تتعامل مع طرق حسابية ورياضية النهج من أجل فهم ومعالجة البيانات البيولوجية.
foaf:depiction
n5:Diagrama_del_algoritmo_de_RiPPMiner.png n5:C16orf95_protein_secondary_structure_prediction.png n5:BiG-MAP.png n5:BiG-SLiCE_workflow.png n5:Metagenomics_ML.jpg n5:Some_bioinformatic_applications_of_Random_Forest.jpg n5:Estructura_química_de_lantipéptido_por_RiPPMiner.png n5:Growth_of_GenBank.png n5:DNA-microarray_analysis.jpg
dcterms:subject
dbc:Machine_learning dbc:Bioinformatics
dbo:wikiPageID
53970843
dbo:wikiPageRevisionID
1123482893
dbo:wikiPageWikiLink
dbr:Turn_(biochemistry) dbr:Molecular_modelling dbr:Beta_sheet dbr:Classification dbr:Metabolic_gene_cluster dbr:Kruskal–Wallis_one-way_analysis_of_variance dbr:Microarray dbr:Decision_tree dbr:Phylogenetic_tree dbr:18S_ribosomal_RNA n6:Growth_of_GenBank.png dbr:Genetic_algorithm dbr:Precision_medicine dbr:Nonribosomal_peptide dbr:Text_Nailing dbr:Deep_learning dbc:Machine_learning dbr:Naive_Bayes_classifier n6:BiG-MAP.png dbr:Protein_primary_structure dbr:Whole-genome_sequencing n6:BiG-SLiCE_workflow.png dbr:Polymerase_chain_reaction dbr:Protein_structure_prediction dbr:Principal_component_analysis dbr:16S_ribosomal_RNA dbr:Text_mining dbr:Radial_basis_function_network dbr:Cosine_similarity dbr:Hidden_Markov_models dbr:Mathematical_biology dbr:Cluster_analysis dbr:Cortical_neuron n6:C16orf95_protein_secondary_structure_prediction.png dbr:Natural_language_processing dbr:K-means dbr:28S dbr:Random_forest n6:Estructura_química_de_lantipéptido_por_RiPPMiner.png dbr:Protein_structure dbr:Clostridioides_difficile dbr:Similarity_measure dbr:Protein_targeting dbr:Secondary_metabolites dbr:K-medoids dbr:Microarrays dbr:K-mer dbr:Bootstrap_aggregating dbr:Bioinformatics dbr:Biological dbr:Evolution dbr:Hopfield_neural_network dbr:Support-vector_machine dbr:Neuroimaging dbr:Inflammatory_bowel_disease dbr:List_of_protein_interactions dbr:Vectorization_(mathematics) dbr:MinHash dbr:Machine_learning dbr:Neural_networks dbr:Raw_data dbr:Graphical_model dbr:Knowledge_extraction dbr:Gene_expression dbr:Operational_taxonomic_unit dbr:Euclidean_distance dbr:Word2vec dbr:Gaussian_distribution dbr:Protein_contact_map dbr:Image_classification dbr:Artificial_neural_network dbr:Ribosomally_synthesized_and_post-translationally_modified_peptides dbr:Gene_prediction dbr:Protein dbr:Affinity_propagation dbr:Personalized_medicine dbr:Recurrent_neural_network dbr:Alpha_helix dbr:Lab-on-a-chip dbr:Computational_genomics dbr:Genomics dbr:Protein_quaternary_structure dbr:Metric_(mathematics) dbr:Genomic n6:DNA-microarray_analysis.jpg dbr:Euclidean_spaces dbr:DNA_binding_site dbr:Microbiome dbr:Gene_regulation dbr:Metagenomics dbr:Hidden_Markov_model dbr:Protein_secondary_structure dbr:Diabetes dbr:Filter_(signal_processing) dbr:Natural_product dbr:Visual_cortex dbr:Hierarchical_clustering dbr:Convolutional_neural_network dbr:BIRCH dbr:Statistical_models dbr:Natural_Language_Processing dbr:Multiple_sequence_alignment dbr:Taxonomy dbr:Variable_selection dbr:Deep_neural_network dbr:Artificial_neuron dbr:23S dbr:Polyketide_synthase dbr:Colorectal_cancer dbr:Protein_folding dbr:Centroid dbr:Protein_tertiary_structure dbr:Systems_biology dbr:PubMed dbr:Metadata dbr:Homology_(biology) dbr:Stroke dbr:Computational_biology dbr:Euclidean_space dbc:Bioinformatics dbr:Secondary_metabolite dbr:Receptive_field dbr:Decision_trees dbr:GenBank dbr:Taxa dbr:Visual_field n6:Metagenomics_ML.jpg dbr:Cytochrome_b dbr:Side_chain dbr:Docking_(molecular) dbr:Time_complexity dbr:Anaerobic_organism dbr:Feature_(machine_learning) dbr:Markov_chain dbr:Proteomics n6:Some_bioinformatic_applications_of_Random_Forest.jpg dbr:Feature_engineering dbr:Feature_extraction dbr:Regression_analysis dbr:Amino_acid n6:Diagrama_del_algoritmo_de_RiPPMiner.png dbr:16S_rRNA dbr:Feature_learning
owl:sameAs
n11:2oVZR dbpedia-ar:تعلم_الآلة_في_المعلوماتية_الحية dbpedia-es:Aprendizaje_automático_en_bioinformática wikidata:Q30314784 dbpedia-fa:یادگیری_ماشین_در_بیوانفورماتیک
dbp:wikiPageUsesTemplate
dbt:Use_mdy_dates dbt:Toclimit dbt:Additional_citation_needed dbt:Differentiable_computing dbt:Reflist dbt:Which dbt:Weasel_inline dbt:Verify_source dbt:Citation_needed dbt:Update_inline
dbo:thumbnail
n5:Some_bioinformatic_applications_of_Random_Forest.jpg?width=300
dbo:abstract
El aprendizaje automático en bioinformática consiste en la aplicación de algoritmos de aprendizaje automático, en entornos de bioinformática, como, por ejemplo, la genómica, la proteómica, los microarrays, la biología de sistemas, la biología evolutiva y la minería de textos.​ Esto permite automatizar la búsqueda de patrones complejos en series de datos, facilitando la comprensión de procesos biológicos tan complejos como la estructura de las proteínas,​ lo que diferencia a esta disciplina de los enfoques tradicionales de bioinformática, que requieren supervisión y que dificultan la aparición de patrones inesperados u ocultos. ​ Se trata de un campo emergente debido al gran crecimiento de la cantidad de conjuntos de datos biológicos disponibles, necesarios para entrenar algoritmos con un nivel de detalle alto.​​​ Machine learning in bioinformatics is the application of machine learning algorithms to bioinformatics, including genomics, proteomics, microarrays, systems biology, evolution, and text mining. Prior to the emergence of machine learning, bioinformatics algorithms had to be programmed by hand; for problems such as protein structure prediction, this proved difficult. Machine learning techniques, such as deep learning can learn features of data sets, instead of requiring the programmer to define them individually. The algorithm can further learn how to combine low-level features into more abstract features, and so on. This multi-layered approach allows such systems to make sophisticated predictions when appropriately trained. These methods contrast with other computational biology approaches which, while exploiting existing datasets, do not allow the data to be interpreted and analyzed in unanticipated ways. In recent years, the size and number of available biological datasets have skyrocketed. تعلم الآلة (بالإنجليزية: Machine learning)‏، هو مجال فرعي من علم الحاسب الذي يشمل على تطوير خوارزميات تعلم كيفية إصدار التوقعات استنادا إلى البيانات، يحتوي على عدد من التطبيقات الناشئة في مجال المعلوماتية الحيوية. المعلوماتية الحيوية تتعامل مع طرق حسابية ورياضية النهج من أجل فهم ومعالجة البيانات البيولوجية. قبل ظهور خوارزميات تعلم الآلة، كان لابد من برمجة خوارزميات المعلوماتية الحيوية بشكل صريح باليد، والذي ثبت لمشاكل مثل تنبؤ بالبنية البروتينية انه صعب للغاية. تقنيات تعلم الآلة مثل التعلم العميق يمكن الخوارزمية من استخدام التلقائي مما يعني أنه استنادا إلى البيانات وحدها، الخوارزمية يمكن أن تتعلم كيفية الجمع بين عدة ميزات من البيانات المدخلة إلى مجموعة من الميزات أكثر تجريدا والتي يمكن من خلالها إجراء مزيد من التعلم. تسمح طريقة تعلم الأنماط المتعددة الطبقات في البيانات المدخلة لهذه النظم لإصدار تنبؤات معقدة جداُ عندما تدرب على مجموعات كبيرة من البيانات. في السنوات الأخيرة، ارتفع حجم وعدد مجموعات البيانات البيولوجية المتاحة، مما مكن الباحثين في مجال المعلوماتية الحيوية من الاستفادة من أنظمة تعلم الآلة هذه. تم تطبيق تعلم الآلة على ستة مجالات فرعية رئيسية للمعلوماتية الحيوية: الجينوم، بروتيوميات، ، نظم علم الأحياء، تطور، والتنقيب في النصوص.
prov:wasDerivedFrom
wikipedia-en:Machine_learning_in_bioinformatics?oldid=1123482893&ns=0
dbo:wikiPageLength
79181
foaf:isPrimaryTopicOf
wikipedia-en:Machine_learning_in_bioinformatics
Subject Item
dbr:UCPH_Department_of_Computer_Science
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
Subject Item
dbr:Seth_Haberman
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
Subject Item
dbr:Isabelle_Guyon
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
Subject Item
dbr:Artificial_intelligence_in_bioinformatics
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
dbo:wikiPageRedirects
dbr:Machine_learning_in_bioinformatics
Subject Item
dbr:Outline_of_machine_learning
dbo:wikiPageWikiLink
dbr:Machine_learning_in_bioinformatics
Subject Item
wikipedia-en:Machine_learning_in_bioinformatics
foaf:primaryTopic
dbr:Machine_learning_in_bioinformatics