This HTML5 document contains 12 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

dbpedia-es:Aprendizaje_automático_en_bioinformática

rdfs:label

Aprendizaje automático en bioinformática

rdfs:comment

El aprendizaje automático, un subcampo de las ciencias de la computación que implica el desarrollo de algoritmos que aprenden cómo hacer predicciones basadas en datos, tiene una serie de aplicaciones emergentes en el campo de la bioinformática. La bioinformática trata con enfoques computacionales y matemáticos para comprender y procesar datos biológicos. Antes de la aparición de los algoritmos de aprendizaje automático, los algoritmos bioinformáticos tenían que programarse a mano, lo que para problemas como la predicción de la estructura de las proteínas resulta extremadamente difícil. Las técnicas de aprendizaje automático como el aprendizaje profundo permiten al algoritmo utilizar el aprendizaje de características, lo que significa que, basándose solo en el conjunto de datos, el algoritm

dct:subject

category-es:Bioinformática category-es:Aprendizaje_automático

foaf:isPrimaryTopicOf

wikipedia-es:Aprendizaje_automático_en_bioinformática

dbo:wikiPageID

8204469

dbo:wikiPageRevisionID

121847872

dbo:wikiPageLength

14828

prov:wasDerivedFrom

n12:0

dbo:abstract

El aprendizaje automático, un subcampo de las ciencias de la computación que implica el desarrollo de algoritmos que aprenden cómo hacer predicciones basadas en datos, tiene una serie de aplicaciones emergentes en el campo de la bioinformática. La bioinformática trata con enfoques computacionales y matemáticos para comprender y procesar datos biológicos. Antes de la aparición de los algoritmos de aprendizaje automático, los algoritmos bioinformáticos tenían que programarse a mano, lo que para problemas como la predicción de la estructura de las proteínas resulta extremadamente difícil. Las técnicas de aprendizaje automático como el aprendizaje profundo permiten al algoritmo utilizar el aprendizaje de características, lo que significa que, basándose solo en el conjunto de datos, el algoritmo puede aprender cómo combinar múltiples de los datos de entrada en un conjunto más abstracto de características para realizar aprendizaje adicional. Este enfoque multicapa de los patrones de aprendizaje en los datos de entrada permite que dichos sistemas hagan predicciones bastante complejas cuando se entrena con grandes conjuntos de datos. En los últimos años, el tamaño y la cantidad de conjuntos de datos biológicos disponibles se han disparado, lo que permite a los investigadores en bioinformática hacer uso de estos sistemas de aprendizaje automático. El aprendizaje automático se ha aplicado a seis subcampos principales de la bioinformática: genómica, proteómica, microarrays, biología de sistemas, evolución y minería de textos.

Subject Item

wikipedia-es:Aprendizaje_automático_en_bioinformática

foaf:primaryTopic

dbpedia-es:Aprendizaje_automático_en_bioinformática

Subject Item

dbr:Machine_learning_in_bioinformatics

owl:sameAs

dbpedia-es:Aprendizaje_automático_en_bioinformática