| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
طبقه بندی و برآورد شیوه های یادگیری ماشین در روابط کمی با فعالیت نانوساختار-فعالیت (QSAR) |
| عنوان انگلیسی مقاله: |
Classification and Evaluation of Machine Learning Thecniques in Quantitative Nanostructure-Activity Relationship (QNAR) |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | ۲۰۱۴ |
| تعداد صفحات مقاله انگلیسی | ۱۵صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر و زیست شناسی |
| گرایش های مرتبط با این مقاله | بیوانفورماتیک و هوش مصنوعی |
| مجله مربوطه | پنجمین کنفرانس بیوانفورماتیک ایران – The 5th Iranian conference on Bioinformatics |
| دانشگاه تهیه کننده | گروه مهندسی کامپیوتر، دانشگاه الزهرا، تهران، ایران |
| کلمات کلیدی این مقاله | یادگیری ماشین، QNAR، QSAR، نانوذرات تولید شده، شیمی ترکیبی |
| رفرنس | دارد |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin | ۱۸صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
| منابع داخل متن | به صورت عدد درج شده است |
- فهرست مطالب:
چکیده
۱٫مقدمه
۲٫ رابطه کمی ساختار-فعالیت (QSAR)
۳٫ چالش‌های مدل‌سازی QNAR
۳٫۱ اولین چالش؛ پیچیدگی فیزیکی/ ساختاری
۳٫۲ چالش دوم؛ کدام توصیفگرها باید استفاده شوند؟
۴٫ مدل‌سازی QNAR با استفاده از تکنیک‌های یادگیری ماشین
۴٫۱ -نزدیک‌ترین همسایگان- K (kNN)
۴٫۲ رگرسیون خطی چندگانه (MLR) – شبکه عصبی مصنوعی (ANN)
۴٫۳٫ روش‌های Bayesian
۴٫۴٫ ماشین بردار پشتیبانی (SVM)
۴٫۴٫۱ ماشین بردار مربوطه (RVM)
۴٫۵ رگرسیون خطی ژنتیک- چند متغیره (MLR) -حداقل مربعات تقریبی (PLS)
۴٫۶٫ الگوریتم ژنتیک-رگرسیون خطی چند متغیره (GA-MLR)
۴٫۷ رگرسیون منطقی
۵٫ نتیجه و بحث
- بخشی از ترجمه:
۳٫ نتیجه و بحث
یک کارگاه بین‌المللی COST (همکاری اروپا در زمینه علم و فناوری) در مورد استفاده از روش‌های QSAR برای مدل‌سازی اثرات بیولوژیکی نانومواد [۴۸]، roadblocks را برای دستیابی به مدل‌های مفید جهت ارزیابی خطرات نانوذرات و روش‌های غلبه بر آن‌ها شناسایی کرد. تعدادی از کارهایی که باید به‌منظور ایجاد مدل‌های مفید برای تنظیم نانوذرات در طی ده سال انجام شود توسط تنظیم‌کننده‌ها مطرح می‌شود و به سه افق زمانی تقسیم می‌شود که متخصصان شرکت‌کننده در کارگاه COST آن را یک واقعیت قابل‌دستیابی می‌داند. Winkler و همکاران ماحصل این کارگاه را ذکر کردند (شکل ۱۲).
- بخشی از مقاله انگلیسی:
۳٫ Result and discussion
An international COST (European Cooperation in Science and Technology) workshop on the use of QSAR methods to model biological effects of nanomaterials [48] identified roadblocks to achieving helpful models for assessing nanoparticle risks, and methods for overcoming them. A number of tasks that need to be done in order to create models useful for nanoparticle regulation within the ten-year time frame asked by regulators, were divided into three time horizons that the expert consensus of COST workshop participants identified as being realistically achievable. Winkler et al. in [47] have mentioned the outcome of this workshop (figure12).
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
طبقه بندی و برآورد شیوه های یادگیری ماشین در روابط کمی با فعالیت نانوساختار-فعالیت (QSAR) |
| عنوان انگلیسی مقاله: |
Classification and Evaluation of Machine Learning Thecniques in Quantitative Nanostructure-Activity Relationship (QNAR) |
|
|
خرید ترجمه فارسی مقاله با فرمت ورد