دانلود ترجمه مقاله برآورد شیوه یادگیری ماشین در روابط کمی با فعالیت نانوساختار-فعالیت – ۲۰۱۴

• 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).

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد