Machine Learning Methods for Multi-Omics Data Integration
Langue : anglais
Edité par Springer, 2023
- Livre relié
- Neuf
Vendeur : Home-set, Mannheim, AllemagneHome-set
Vendeur AbeBooks depuis 13 avril 2026
Etat: Neuf
EUR 294,24
Quantité disponible : 2 disponibles
Ajouter au panierA propos de cet article
The advancement of biomedical engineering has enabled the generation of multi-omics data by developing high-throughput technologies, such as next-generation sequencing, mass spectrometry, and microarrays. Large-scale data sets for multiple omics platforms, including genomics, transcriptomics, proteomics, and metabolomics, have become more accessible and cost-effective over time. Integrating multi-omics data has become increasingly important in many research fields, such as bioinformatics, genomics, and systems biology. This integration allows researchers to understand complex interactions between biological molecules and pathways. It enables us to comprehensively understand complex biological systems, leading to new insights into disease mechanisms, drug discovery, and personalized medicine. Still, integrating various heterogeneous data types into a single learning model also comes with challenges. In this regard, learning algorithms have been vital in analyzing and integratingthese large-scale heterogeneous data sets into one learning model. This book overviews the latest multi-omics technologies, machine learning techniques for data integration, and multi-omics databases for validation. It covers different types of learning for supervised and unsupervised learning techniques, including standard classifiers, deep learning, tensor factorization, ensemble learning, and clustering, among others. The book categorizes different levels of integrations, ranging from early, middle, or late-stage among multi-view models. The underlying models target different objectives, such as knowledge discovery, pattern recognition, disease-related biomarkers, and validation tools for multi-omics data.Finally, the book emphasizes practical applications and case studies, making it an essential resource for researchers and practitioners looking to apply machine learning to their multi-omics data sets. The book covers data preprocessing, feature selection, and model evaluation, providing readers with a practical guide to implementing machine learning techniques on various multi-omics data sets. Sprache: Englisch Gewicht in Gramm: 384.…
N° de réf. du vendeur IB-2755667
- Titre
- Machine Learning Methods for Multi-Omics Data Integration
- Éditeur
- Springer
- Année de publication
- 2023
- État de l'article
- Neu
- Reliure
- Gebundene Ausgabe
- Langue
- anglais
- ISBN à 10 chiffres
- 3031365011
- ISBN à 13 chiffres
- 9783031365010
- Poids de l'article
- 384 grammes
The advancement of biomedical engineering has enabled the generation of multi-omics data by developing high-throughput technologies, such as next-generation sequencing, mass spectrometry, and microarrays. Large-scale data sets for multiple omics platforms, including genomics, transcriptomics, proteomics, and metabolomics, have become more accessible and cost-effective over time. Integrating multi-omics data has become increasingly important in many research fields, such as bioinformatics, genomics, and systems biology. This integration allows researchers to understand complex interactions between biological molecules and pathways. It enables us to comprehensively understand complex biological systems, leading to new insights into disease mechanisms, drug discovery, and personalized medicine. Still, integrating various heterogeneous data types into a single learning model also comes with challenges. In this regard, learning algorithms have been vital in analyzing and integratingthese large-scale heterogeneous data sets into one learning model.
This book overviews the latest multi-omics technologies, machine learning techniques for data integration, and multi-omics databases for validation. It covers different types of learning for supervised and unsupervised learning techniques, including standard classifiers, deep learning, tensor factorization, ensemble learning, and clustering, among others. The book categorizes different levels of integrations, ranging from early, middle, or late-stage among multi-view models. The underlying models target different objectives, such as knowledge discovery, pattern recognition, disease-related biomarkers, and validation tools for multi-omics data.
Finally, the book emphasizes practical applications and case studies, making it an essential resource for researchers and practitioners looking to apply machine learning to their multi-omics data sets. The book covers data preprocessing, feature selection, and model evaluation, providing readers with a practical guide to implementing machine learning techniques on various multi-omics data sets.
« Synopsis » peut appartenir à une autre édition de cet ouvrage.
À propos de l’auteur
Abedalrhman Alkhateeb earned his Bachelor's degree in Computer Science from the University of Jordan, Amman, Jordan, in 2004, and his MSc and Ph.D. in Computer Science from the University of Windsor, Canada, in 2011 and 2018, respectively. He is currently an Assistant Professor at Princess Sumaya University for Technology in Amman, Jordan. Previously, he served as an Assistant Professor and Mitacs Accelerate Postdoctoral Fellow at the University of Windsor, Canada. His research interests include machine learning, deep learning, bioinformatics, and health informatics.
Abedalrhman Alkhateeb has authored and co-authored more than 50 papers in prestigious journals and conferences. He also organized a workshop titled "MODI: Machine Learning Models for Multi-omics Data Integration" for three consecutive years from 2019 to 2021 in conjunction with ACM Conference on Bioinformatics, Computational Biology, and Health Informatics (ACM BCB). His recent research focuses on the health outcomes of various types of cancers. He has gained industrial experience as a bioinformatician and data analyst in several organizations, including ITOS Oncology Inc. and BlackBerry Limited in Canada, and UAE University in the United Arab Emirates. Luis Rueda received his Bachelor's degree in computer science from the National University of San Juan, Argentina, in 1993, and his Master's and Ph.D. degrees in computer science from Carleton University, Canada, in 1998 and 2002, respectively. He is currently a Full Professor in the School of Computer Science at the University of Windsor. His current research interests are mainly focused on devising shallow and deep machine learning and representation learning algorithms at the fundamental level and applications in bioinformatics and cybersecurity to problems in biomedical imaging, transcriptomics, integrative genome-wide data analysis, identification of cancer biomarkers, user authentication, spam review detection and social engineering. Luis Rueda holds four patents on machine learning and cybersecurity and has more than 200 publications and presentations in prestigious journals and conferences in machine learning, computational biology, and cybersecurity. He currently serves as Associate Editor of IEEE/ACM Transactions on Computational Biology and Bioinformatics, and Network Modeling Analysis in Health Informatics and Bioinformatics. He is also a member of the program committees of several conferences in the field. He is also a Senior Member of the IEEE, and a Member of t
« A propos de ce titre » peut appartenir à une autre édition de cet ouvrage.
Home-set
Mannheim, Allemagne
Vendeur AbeBooks depuis 13 avril 2026
Frais d'expédition de Allemagne vers Etats-Unis
| Article | 10 à 12 jours ouvrés | 8 à 10 jours ouvrés |
|---|---|---|
| Premier article | EUR 49,90 | EUR 75,00 |
Modes de paiement
- Chèque
Spécialité
BuchProfil professionnel du vendeur
Home-set
Allemagne
Droit de rétractation
Si vous êtes un consommateur, vous pouvez exercer votre droit de rétractation sur le contrat conformément à ce qui suit. Le mot « consommateur » désigne toute personne physique agissant à des fins qui n'entrent pas dans le cadre de son activité commerciale, artisanale ou professionnelle.
Informations concernant le droit de rétractation
Droit statutaire de rétractation
Vous avez le droit d'exercer votre droit de rétractation sur ce contrat dans les 14 jours sans donner de raison.
Le délai de rétractation expirera au bout de 14 jours à compter du jour où vous-même, ou un tiers autre que le transporteur et désigné par vous, prendrez physiquement possession de la dernière marchandise, du dernier lot ou de la dernière pièce.
Pour exercer votre droit de rétractation, remplissez électroniquement et envoyez une déclaration claire sur notre site Web, sous « Vos achats » dans « Votre compte ». Nous vous communiquerons sans délai un accusé de réception de cette rétractation sur un support durable (par exemple, par e-mail).
Pour respecter le délai de rétractation, il vous suffit d'envoyer votre message concernant l'exercice de votre droit de rétractation avant l'expiration du délai de rétractation.
Effets de la rétractation
Si vous exercez votre droit de rétractation sur ce contrat, nous vous rembourserons tous les paiements que vous avez effectués, y compris les frais de livraison (à l'exception des frais supplémentaires résultant du choix d'un mode de livraison autre que le type de livraison standard le moins cher que nous proposons).
Nous pouvons déduire du remboursement la perte de valeur de toute marchandise livrée, si la perte est le résultat d'une manipulation inutile de votre part.
Nous effectuerons le remboursement dans les meilleurs délais, et au plus tard 14 jours après le jour où nous aurons été informés de votre décision d'exercer votre droit de rétractation sur ce contrat.
Nous effectuerons le remboursement en utilisant le même moyen de paiement que celui que vous avez utilisé pour la transaction initiale, sauf si vous en avez expressément convenu autrement ; en tout état de cause, aucuns frais ne vous seront facturés à la suite d'un tel remboursement.
Nous pouvons suspendre le remboursement jusqu'à ce que nous ayons reçu les marchandises ou que vous ayez fourni la preuve que vous avez renvoyé les marchandises, en fonction de la première éventualité.
Vous devez renvoyer les marchandises ou les remettre à Home-set, Mannheim, Germany, sans retard injustifié et, en tout état de cause, au plus tard 14 jours à compter du jour où vous nous avez communiqué votre décision de rétractation du présent contrat. Le délai est respecté si vous renvoyez les marchandises avant l'expiration du délai de 14 jours. Vous devrez prendre en charge les frais directs du renvoi des marchandises. Vous n'êtes responsable que de toute diminution de valeur des marchandises résultant d'une manipulation autre que celle nécessaire pour établir la nature, les caractéristiques et le fonctionnement des marchandises.
Exceptions au droit de rétractation
Le droit de rétractation ne s'applique pas à ce qui suit :
- Distribution de journaux, de revues ou de magazines, à l'exception des contrats d'abonnement ; et
- Fourniture d'un contenu numérique qui n'est pas fourni sur un support matériel (par exemple, sur un CD ou un DVD) si vous avez accepté, lors de votre commande, que nous puissions commencer à le livrer et que vous ne puissiez pas exercer votre droit de rétractation une fois la livraison commencée.