生物信息学

　　第1章  概述
　　第2章  机器学习的基础：概率理论体系
　　第3章  概率建模和推断：应用举例
　　第4章  机器学习算法
　　第5章  神经网络：理论
　　第6章  神经网络：应用
　　第7章  隐马氏模型（HMM）：理论
　　第8章  隐马氏模型（HMM）：应用
　　第9章  生物信息学中的概率图模型
　　第10章  进化的概率模型：系统进化树
　　第11章  随机文化和语言学
　　第12章  微阵列和基因表达
　　第13章  互联网资源和公共数据库
　　附录A 统计学
　　附录B 信息论、熵和相对熵
　　附录C 概率图模型
　　附录D HMM的相关技术：标定

　　皮埃尔·巴尔迪是美国加州大学医学院信和计算机科学系教授、生物化学系教授，基因组学和生物信息学研究所所长。
　　索恩·布鲁纳克，是丹麦理工大学生物系教授，生物序列分析中心主任。

　　本书介绍了机器学习方法的主要内容及其在生物学数据处理中的应用。其中对机器学习技术的理论基础——贝叶斯概率体系进行了详细介绍，并在此基础上着重对神经网络、隐也氏模型以及概率图模型等方法在生物信息学中的应用作了详细分析。书中特别列出一章介绍了DNA微阵列和基因表达，以及相关数据的分析方法。本书主要针对两个读者群体。一是生物学和生物化学研究人员，他们想了解基于数据处理的算法；二是物理、数学、统计、计算机科学等领域的学者，他们想知道机器学习方法在分子生物学研究中的应用。