Vor Ort
Merkzettel Warenkorb
Produktbild: Data Mining for Biomedical Applications
Band 3916

Data Mining for Biomedical Applications PAKDD 2006 Workshop, BioDM 2006, Singapore, April 9, 2006, Proceedings

Aus der Reihe Lecture Notes in Computer Science

51,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

23.03.2006

Herausgeber

Jinyan Li + weitere

Verlag

Springer Berlin

Seitenzahl

155

Maße (L/B/H)

23,8/15,6/1,2 cm

Gewicht

278 g

Auflage

2006. 2006

Sprache

Englisch

ISBN

978-3-540-33104-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

23.03.2006

Herausgeber

Verlag

Springer Berlin

Seitenzahl

155

Maße (L/B/H)

23,8/15,6/1,2 cm

Gewicht

278 g

Auflage

2006. 2006

Sprache

Englisch

ISBN

978-3-540-33104-9

Herstelleradresse

Springer-Verlag GmbH
Heidelberger Platz 3
14197 Berlin
Deutschland
Email: sdc-bookservice@springer.com
Url: www.springer.com
Telephone: +49 30 827870
Fax: +49 30 8214091

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Data Mining for Biomedical Applications
  • Keynote Talk.- Exploiting Indirect Neighbours and Topological Weight to Predict Protein Function from Protein-Protein Interactions.- Database and Search.- A Database Search Algorithm for Identification of Peptides with Multiple Charges Using Tandem Mass Spectrometry.- Filtering Bio-sequence Based on Sequence Descriptor.- Automatic Extraction of Genomic Glossary Triggered by Query.- Frequent Subsequence-Based Protein Localization.- Bio Data Clustering.- gTRICLUSTER: A More General and Effective 3D Clustering Algorithm for Gene-Sample-Time Microarray Data.- Automatic Orthologous-Protein-Clustering from Multiple Complete-Genomes by the Best Reciprocal BLAST Hits.- A Novel Clustering Method for Analysis of Gene Microarray Expression Data.- Heterogeneous Clustering Ensemble Method for Combining Different Cluster Results.- In-silico Diagnosis.- Rule Learning for Disease-Specific Biomarker Discovery from Clinical Proteomic Mass Spectra.- Machine Learning Techniques and Chi-Square Feature Selection for Cancer Classification Using SAGE Gene Expression Profiles.- Generation of Comprehensible Hypotheses from Gene Expression Data.- Classification of Brain Glioma by Using SVMs Bagging with Feature Selection.- Missing Value Imputation Framework for Microarray Significant Gene Selection and Class Prediction.- Informative MicroRNA Expression Patterns for Cancer Classification.