V
主页
8.11 DNA序列模型评估
发布人
原书信息:清华大学出版社-图书详情-《TensorFlow+Android经典模型从理论到实战(微课视频版)》 http://www.tup.tsinghua.edu.cn/booksCenter/book_09703501.html 第8章 BERT与基因序列预测 当你读完第8章时,你应该能够: l 理解生物信息学数据库是建模的数据之源。 l 理解数据库检索的基本方法。 l 理解序列比对的基本方法与意义。 l 理解增强子的基本结构及在基因转录中的重要作用。 l 理解增强子序列数据集的采集方法。 l 理解并掌握BERT模型的体系结构与原理。 l 用BERT预训练模型对基因序列做迁移学习,提取基因特征。 l 用BERT+DenseNet121完成基因预测模型的定义、训练与评估。 近年来,以Transformer和BERT为代表的自然语言处理模型得到长足发展,将基因序列或者残基序列视作自然语言序列,将Transformer和BERT应用于生物信息学领域的序列解析与预测,已经成为一种研究趋势。 增强子预测是生物信息学领域富有挑战性的问题。本章的任务是将增强子的DNA序列视作“自然语言中的语句”,用BERT模型将其转换为固定长度的特征矩阵,实现DNA特征提取,在此基础上,用DenseNet121迁移学习模型,完成DNA增强子的分类预测。
打开封面
下载高清视频
观看高清视频
视频下载器
8.8 定义DNA序列预测模型
8.3 序列比对
2.22 模型评估
8.7 BERT模型解析
8.6 增强子序列数据集
6.7 数据集分析
8.5 基因增强子
8.1 生物信息学数据库
8.2 数据库检索
8.10 DNA序列模型训练
7.12 EfficientNet模型定义
3.28 训练resNet50 模型
9.8 AlphaFold2项目实战演示
7.14 EfficientNet模型预测与评估
2024最新 Android Studio 安装配置步骤
5.15 损失函数与准确率曲线
1.11 Python IO 数据流
7.11 DenseNet模型预测与评估
2.10 定义卷积层
4.7 划分数据集
2.8 MobileNetV3训练
7.8 划分数据集
1.17 ElasticNet回归模型
2.23 模型预测
2.7 边缘扩充
5.5 获取URL参数
2.9 MobileNetV3评估
3.8 评估指标
2.12 定义池化层
5.5 筛选蛋白质序列
3.5 创建数据库
4.9 DenseNet121 模型训练
1.18 XGBoost回归模型
2.3 Wireshark过滤器
2.3 鸟类数据集
7.22 活体检测模型评估
8.12 小结
1.8 EfficientNetV2评估
2.14 卷积网络结构剖析
5.11 Transformer模型合成