دوستانی که فوتبالی هستند میتونن داده های فوتبال اروپا را از لینک زیر دانلود کنند
#Soccer_database #data_analysis #machine_learning #football_database #European_Professional_Football #Football
https://www.kaggle.com/hugomathien/soccer
#Soccer_database #data_analysis #machine_learning #football_database #European_Professional_Football #Football
https://www.kaggle.com/hugomathien/soccer
Kaggle
European Soccer Database
25k+ matches, players & teams attributes for European Professional Football
data.csv
122.3 KB
#تمرین
پیش بینی خوش خیم یا بدخیم بودن سرطان سینه
رگرسیون لاجستیک
Breast Cancer Wisconsin (Diagnostic) Data Set
Predict whether the cancer is benign or malignant
https://www.kaggle.com/uciml/breast-cancer-wisconsin-data/data
Attribute Information:
1) ID number
2) Diagnosis (M = malignant, B = benign)
3-32)
Ten real-valued features are computed for each cell nucleus:
a) radius (mean of distances from center to points on the perimeter)
b) texture (standard deviation of gray-scale values)
c) perimeter
d) area
e) smoothness (local variation in radius lengths)
f) compactness (perimeter^2 / area - 1.0)
g) concavity (severity of concave portions of the contour)
h) concave points (number of concave portions of the contour)
i) symmetry
j) fractal dimension ("coastline approximation" - 1)
Missing attribute values: none
Class distribution: 357 benign, 212 malignant
#Machine_Learning #logistic_regression #logistic #regression #breast #cancer
پیش بینی خوش خیم یا بدخیم بودن سرطان سینه
رگرسیون لاجستیک
Breast Cancer Wisconsin (Diagnostic) Data Set
Predict whether the cancer is benign or malignant
https://www.kaggle.com/uciml/breast-cancer-wisconsin-data/data
Attribute Information:
1) ID number
2) Diagnosis (M = malignant, B = benign)
3-32)
Ten real-valued features are computed for each cell nucleus:
a) radius (mean of distances from center to points on the perimeter)
b) texture (standard deviation of gray-scale values)
c) perimeter
d) area
e) smoothness (local variation in radius lengths)
f) compactness (perimeter^2 / area - 1.0)
g) concavity (severity of concave portions of the contour)
h) concave points (number of concave portions of the contour)
i) symmetry
j) fractal dimension ("coastline approximation" - 1)
Missing attribute values: none
Class distribution: 357 benign, 212 malignant
#Machine_Learning #logistic_regression #logistic #regression #breast #cancer
تشخیص افراد مبتلا به ویروس کرونا به کمک پردازش تصاویر X_Ray
ویروس کوید ۱۹، بر سیستم تنفسی افراد سالم تاثیر میگذارد و عکس X-Ray از قفسه سینه یکی از روشهای مهم برای تشخیص ابتلای فرد به ویروس کرونا میباشد.
با استفاده از دیتاست حاضر، میتوانید مدل یادگیری ماشینی را جهت تشخیص فرد سالم از مبتلا به ویروس کرونا توسعه دهید. (به دلیل حجم بالای دیتاست لینک kaggle قرار داده شده است)
Context
Corona - COVID19 virus affects the respiratory system of healthy individual & Chest X -Ray is one of the important imaging methods to identify the corona virus.
With the Chest X - Ray dataset, Develop a Machine Learning Model to classify the X Rays of Healthy vs Pneumonia (Corona) affected patients & this model powers the AI application to test the Corona Virus in Faster Phase.
Inspiration
Automated methods to detect and classify human diseases from medical images.Novel Machine Learning Algorithms and neural networks helps to reduce the Corona Virus detection time and aids the doctor to drive the consultation in better way
https://www.kaggle.com/praveengovi/coronahack-chest-xraydataset
#covid19 #X_Ray #AI #image_processing #classification #diseases #medical_images #Machine_Learning #neural_networks #Corona_Virus #Corona
ویروس کوید ۱۹، بر سیستم تنفسی افراد سالم تاثیر میگذارد و عکس X-Ray از قفسه سینه یکی از روشهای مهم برای تشخیص ابتلای فرد به ویروس کرونا میباشد.
با استفاده از دیتاست حاضر، میتوانید مدل یادگیری ماشینی را جهت تشخیص فرد سالم از مبتلا به ویروس کرونا توسعه دهید. (به دلیل حجم بالای دیتاست لینک kaggle قرار داده شده است)
Context
Corona - COVID19 virus affects the respiratory system of healthy individual & Chest X -Ray is one of the important imaging methods to identify the corona virus.
With the Chest X - Ray dataset, Develop a Machine Learning Model to classify the X Rays of Healthy vs Pneumonia (Corona) affected patients & this model powers the AI application to test the Corona Virus in Faster Phase.
Inspiration
Automated methods to detect and classify human diseases from medical images.Novel Machine Learning Algorithms and neural networks helps to reduce the Corona Virus detection time and aids the doctor to drive the consultation in better way
https://www.kaggle.com/praveengovi/coronahack-chest-xraydataset
#covid19 #X_Ray #AI #image_processing #classification #diseases #medical_images #Machine_Learning #neural_networks #Corona_Virus #Corona
Kaggle
CoronaHack -Chest X-Ray-Dataset
Classify the X Ray image which is having Corona
6S191_MIT_DeepLearning_L10.pdf
3.5 MB
دوره مقدمه ای بر یادگیری عمیق دانشگاه MIT
اسلاید 10
فرمت: pdf
Slide 10_Machine Learning for Scent MIT 6.S191.136
#Deep_Learning #MIT #DeepLearning #MachineLearning #Machine_Learning #Scent
اسلاید 10
فرمت: pdf
Slide 10_Machine Learning for Scent MIT 6.S191.136
#Deep_Learning #MIT #DeepLearning #MachineLearning #Machine_Learning #Scent
Practical_Guide_to_Cluster_Analysis_in_R_Unsupervised_Machine_Learning.pdf
4.9 MB
کتاب راهنمای عملی برای تحلیل خوشه ای در R
Practical Guide to Cluster Analysis in R. Unsupervised Machine Learning by Alboukadel Kassambara
#Clustering #R #Unsupervised #MachineLearning #Machine_Learning
Practical Guide to Cluster Analysis in R. Unsupervised Machine Learning by Alboukadel Kassambara
#Clustering #R #Unsupervised #MachineLearning #Machine_Learning
Hands_on_Ensemble_Learning_with_R_by_Prabhanjan_Narayanachar_Tattar.pdf
7.2 MB
عنوان کتاب:
Hands-on Ensemble Learning with R by Prabhanjan Narayanachar Tattar
فرمت: PDF
#EnsembleLearning #Ensemble_Learning #R #MachineLearning #Machine_Learning
Hands-on Ensemble Learning with R by Prabhanjan Narayanachar Tattar
فرمت: PDF
#EnsembleLearning #Ensemble_Learning #R #MachineLearning #Machine_Learning
Parameters and Hyperparameters in Machine Learning and Deep Learning
What exactly are they and how do they interact?
Hyperparameters
Hyperparameters are parameters that determine or control the values of other parameters. The prefix ‘hyper_’ suggests that they are ‘top-level’ parameters that control some ‘lower-level’ parameters. As a machine learning engineer designing a model, you choose and set hyperparameter values for your model before the training of the model even begins. In this light, hyperparameters are said to be external to the model because the model cannot change their values by learning.
Parameters
Parameters on the other hand are internal to the model. That is, they are learned or estimated purely from the data during training as the algorithm used tries to learn the mapping between the input features and the labels or targets.
https://towardsdatascience.com/parameters-and-hyperparameters-aa609601a9ac
#towardsdatascience #Parameter #Hyperparameter #Machine_Learning #Deep_Learning #MachineLearning #DeepLearnin
What exactly are they and how do they interact?
Hyperparameters
Hyperparameters are parameters that determine or control the values of other parameters. The prefix ‘hyper_’ suggests that they are ‘top-level’ parameters that control some ‘lower-level’ parameters. As a machine learning engineer designing a model, you choose and set hyperparameter values for your model before the training of the model even begins. In this light, hyperparameters are said to be external to the model because the model cannot change their values by learning.
Parameters
Parameters on the other hand are internal to the model. That is, they are learned or estimated purely from the data during training as the algorithm used tries to learn the mapping between the input features and the labels or targets.
https://towardsdatascience.com/parameters-and-hyperparameters-aa609601a9ac
#towardsdatascience #Parameter #Hyperparameter #Machine_Learning #Deep_Learning #MachineLearning #DeepLearnin
Medium
Parameters and Hyperparameters in Machine Learning and Deep Learning
What exactly are they and how do they interact?
mml-book.pdf
16.6 MB
This book is written in an academic mathematical style, which enables us to be precise about the concepts behind machine learning
مفاهیم ریاضی مربوط به یادگیری ماشین
#یادگیری #یادگیری_ماشین #ریاضی #هوش_مصنوعی
#machine_learning #AI #Mathematics
مفاهیم ریاضی مربوط به یادگیری ماشین
#یادگیری #یادگیری_ماشین #ریاضی #هوش_مصنوعی
#machine_learning #AI #Mathematics
A Practical Introduction to K-Nearest Neighbors Algorithm for Regression (with Python code)
#Machine_Learning #Python #Regression #KNN #Supervised
https://www.analyticsvidhya.com/blog/2018/08/k-nearest-neighbor-introduction-regression-python/
#Machine_Learning #Python #Regression #KNN #Supervised
https://www.analyticsvidhya.com/blog/2018/08/k-nearest-neighbor-introduction-regression-python/
Analytics Vidhya
KNN algorithm: Introduction to K-Nearest Neighbors Algorithm for Regression
KNN is a powerful machine learning technique. Explore our guide on the sklearn K-Nearest Neighbors algorithm and its applications!
machinelearning.pdf
15.4 MB
یادگیری ماشین و علم داده: مبانی، مفاهیم، الگوریتمها و ابزارها
فرمت: pdf
زبان: فارسی
Format: pdf
Language: Persian
نسخه PDF کتاب توسط مولف به صورت رایگان به اشتراک گذاشته شده
است و هرگونه استفاده تجاری از آن پیگرد قانونی دارد.
#book #machinelearning #datascience #machine_learning #data_science
فرمت: pdf
زبان: فارسی
Format: pdf
Language: Persian
نسخه PDF کتاب توسط مولف به صورت رایگان به اشتراک گذاشته شده
است و هرگونه استفاده تجاری از آن پیگرد قانونی دارد.
#book #machinelearning #datascience #machine_learning #data_science
۱۰ منبع برای یافتن دیتاست
۱. Kaggle
۲. Amazon datasets
۳. UCI Machine Learning repository
۴. Google’s Datasets Search Engine
۵. Microsoft’s datasets
۶. Government datasets
۷. Awesome public dataset collection
۸. Computer vision datasets
۹. Lionbridge AI
۱۰. Scikit-learn dataset
#dataset #kaggle #AI #Scikitlearn #Scikit_learn #machinelearning #machine_learning
https://www.analyticsinsight.net/top-10-resources-to-find-machine-learning-datasets-in-2022/
۱. Kaggle
۲. Amazon datasets
۳. UCI Machine Learning repository
۴. Google’s Datasets Search Engine
۵. Microsoft’s datasets
۶. Government datasets
۷. Awesome public dataset collection
۸. Computer vision datasets
۹. Lionbridge AI
۱۰. Scikit-learn dataset
#dataset #kaggle #AI #Scikitlearn #Scikit_learn #machinelearning #machine_learning
https://www.analyticsinsight.net/top-10-resources-to-find-machine-learning-datasets-in-2022/
Analytics Insight
Top 10 Resources to Find Machine Learning Datasets in 2022
ML algorithms are in fact designed to improvise with time and for this, they need quality data from time to time. Data is core to any ML or AI project and it is
✍✍✍ کشف بینشهای جدیدی در مورد خواص مواد با آموزش فیزیک به هوش مصنوعی
محققان دانشگاه دوک نشان دادهاند که با قراردادن علم فیزیک در الگوریتمهای یادگیری ماشینی میتوانند به جعبههای سیاه غیرقابل درک کمک کنند تا سطوح جدیدی از شفافیت و بینش نسبت به خواص مواد را به دست آورند.
محققان در یکی از اولین پروژهها از این نوع، یک الگوریتم یادگیری ماشینی مدرنی ساختند تا خواص کلاسی از مواد مهندسی شده به نام فرامواد را شناسایی و نحوه تعامل آنها با میدانهای الکترومغناطیسی را پیشبینی کنند.
این رویکرد نه تنها به الگوریتم اجازه میدهد تا ویژگیهای فراماده را بهطور دقیق پیشبینی کند، بلکه این کار را با کارایی بیشتری نسبت به روشهای قبلی انجام داد و در عین حال بینشهای جدیدی را ارائه داد.
ویلی پادیلا، استاد مهندسی برق و کامپیوتر در دوک، می گوید: «با ترکیب فیزیک شناخته شده در یادگیری ماشین، این الگوریتم می تواند راه حل هایی را با داده های آموزشی کمتر و در زمان کمتر پیدا کند.
#physics #machinelearning #machine_learning
https://techxplore.com/news/2022-05-physics-ai-insights-material-properties.html
محققان دانشگاه دوک نشان دادهاند که با قراردادن علم فیزیک در الگوریتمهای یادگیری ماشینی میتوانند به جعبههای سیاه غیرقابل درک کمک کنند تا سطوح جدیدی از شفافیت و بینش نسبت به خواص مواد را به دست آورند.
محققان در یکی از اولین پروژهها از این نوع، یک الگوریتم یادگیری ماشینی مدرنی ساختند تا خواص کلاسی از مواد مهندسی شده به نام فرامواد را شناسایی و نحوه تعامل آنها با میدانهای الکترومغناطیسی را پیشبینی کنند.
این رویکرد نه تنها به الگوریتم اجازه میدهد تا ویژگیهای فراماده را بهطور دقیق پیشبینی کند، بلکه این کار را با کارایی بیشتری نسبت به روشهای قبلی انجام داد و در عین حال بینشهای جدیدی را ارائه داد.
ویلی پادیلا، استاد مهندسی برق و کامپیوتر در دوک، می گوید: «با ترکیب فیزیک شناخته شده در یادگیری ماشین، این الگوریتم می تواند راه حل هایی را با داده های آموزشی کمتر و در زمان کمتر پیدا کند.
#physics #machinelearning #machine_learning
https://techxplore.com/news/2022-05-physics-ai-insights-material-properties.html
Tech Xplore
Teaching physics to AI allows it to discover new insights into material properties
Researchers at Duke University have demonstrated that incorporating known physics into machine learning algorithms can help the inscrutable black boxes attain new levels of transparency and insight into ...
The_Kaggle_Book_Konrad_Banachewicz,_Luca_Massaron_z_lib_org.pdf
21.1 MB
The Kaggle Book: Data analysis and machine learning for competitive data science
Format: pdf
#kaggle #Data_analysis #machine_learning
Format: pdf
#kaggle #Data_analysis #machine_learning
✔️ ارائه کوتاهترین مسیر برای خوشبختی انسانها توسط هوش مصنوعی دانشگاه هاروارد
شرکت Deep Longevity با همکاری دانشکده پزشکی هاروارد، دو مدل یادگیری ماشینی را در روانشناسی در زمینه شادی و زیبایی، بکار بردند.
➖ اولین مدل عملکرد کلی شبکه های عصبی عمیق است که با استفاده از اطلاعات یک نظرسنجی روانشناختی، سن تقویمی و سلامت روانشناختی پاسخ دهندگان را در 10 سال پیش بینی می کند. این مدل مسیرهای ذهن انسان را با افزایش سن به تصویر می کشد. همچنین نشان می دهد که ظرفیت ایجاد ارتباطات معنادار و همچنین استقلال ذهنی و تسلط بر محیط با افزایش سن رشد می کند. همچنین نشان می دهد که تاکید بر پیشرفت شخصی به طور مداوم در حال کاهش است، اما حس داشتن هدف در زندگی تنها پس از 40-50 سال از بین می رود.
➖ مدل دوم یک نقشه خودسازمانده (self-organizing) است که میتواند مبنایی برای موتور توصیه به اپلیکیشن های سلامت روان باشد. این الگوریتم یادگیری بدون نظارت، همه پاسخدهندگان را با توجه به احتمال ابتلا به افسردگی به خوشههایی تقسیم میکند و کوتاهترین مسیر را برای رسیدن به پایداری روانی برای هر فرد نشان می دهد. الکس ژاورونکوف، مدیر ارشد Deep Longevity، توضیح میدهد: «اپلیکیشن های موجود در زمینه سلامت روان توصیههای عمومی را ارائه میدهند که برای همه کاربرد دارد، اما برای هیچکس مناسب نیست. ما سیستمی ساختهایم که از نظر علمی معتبر است و شخصیسازی برتر را ارائه میدهد.»
#happiness #machine_learning #ML
https://scitechdaily.com/harvard-developed-ai-identifies-the-shortest-path-to-human-happiness/amp/
شرکت Deep Longevity با همکاری دانشکده پزشکی هاروارد، دو مدل یادگیری ماشینی را در روانشناسی در زمینه شادی و زیبایی، بکار بردند.
➖ اولین مدل عملکرد کلی شبکه های عصبی عمیق است که با استفاده از اطلاعات یک نظرسنجی روانشناختی، سن تقویمی و سلامت روانشناختی پاسخ دهندگان را در 10 سال پیش بینی می کند. این مدل مسیرهای ذهن انسان را با افزایش سن به تصویر می کشد. همچنین نشان می دهد که ظرفیت ایجاد ارتباطات معنادار و همچنین استقلال ذهنی و تسلط بر محیط با افزایش سن رشد می کند. همچنین نشان می دهد که تاکید بر پیشرفت شخصی به طور مداوم در حال کاهش است، اما حس داشتن هدف در زندگی تنها پس از 40-50 سال از بین می رود.
➖ مدل دوم یک نقشه خودسازمانده (self-organizing) است که میتواند مبنایی برای موتور توصیه به اپلیکیشن های سلامت روان باشد. این الگوریتم یادگیری بدون نظارت، همه پاسخدهندگان را با توجه به احتمال ابتلا به افسردگی به خوشههایی تقسیم میکند و کوتاهترین مسیر را برای رسیدن به پایداری روانی برای هر فرد نشان می دهد. الکس ژاورونکوف، مدیر ارشد Deep Longevity، توضیح میدهد: «اپلیکیشن های موجود در زمینه سلامت روان توصیههای عمومی را ارائه میدهند که برای همه کاربرد دارد، اما برای هیچکس مناسب نیست. ما سیستمی ساختهایم که از نظر علمی معتبر است و شخصیسازی برتر را ارائه میدهد.»
#happiness #machine_learning #ML
https://scitechdaily.com/harvard-developed-ai-identifies-the-shortest-path-to-human-happiness/amp/
SciTechDaily
Harvard Developed AI Identifies the Shortest Path to Human Happiness
Deep Longevity, in collaboration with Harvard Medical School, presents a deep learning approach to mental health. Deep Longevity has published a paper in Aging-US outlining a machine learning approach to human psychology in collaboration with Nancy Etcoff…
This media is not supported in your browser
VIEW IN TELEGRAM
هماهنگی
مینی رباتها به کمک ماشین لرنینگ
The machine-learning method developed at Caltech aims to solve problems related to multi-robot coordination.
#machine_learning #robot
مینی رباتها به کمک ماشین لرنینگ
The machine-learning method developed at Caltech aims to solve problems related to multi-robot coordination.
#machine_learning #robot
✍🏽 کشف داروهای غیر آنتی بیوتیکی برای از بین بردن باکتری ها با استفاده از یادگیری ماشینی
تحقیقات اخیر پتانسیل ضد باکتریایی داروهای غیر آنتی بیوتیکی را کشف کرده است که یک راهکار امیدوارکننده برای مقابله با مقاومت آنتی بیوتیکی فراهم می کند. از لحاظ تاریخی، آنتی بیوتیک ها انقلابی در پزشکی ایجاد کردند، اما استفاده بیش از حد از آنها منجر به ظهور باکتری های مقاوم به دارو شده است که تهدیدی قابل توجه برای سلامت جهانی است. دانشمندان کشف کرده اند که تقریباً یک چهارم داروهای غیر آنتی بیوتیکی در دوزهای تجویز شده معمولی اثرات ضد باکتریایی نشان می دهند که نشان دهنده پتانسیل آنها در مبارزه با عفونت های باکتریایی است.
➖ اما چگونه داروها باکتری ها را می کشند؟
برای پاسخ به این سوال، از یک تکنیک غربالگری ژنتیکی استفاده شد که اخیرا برای مطالعه اینکه چگونه داروهای ضد سرطان باکتری ها را هدف قرار می دهند، توسعه داده شده است. این روش مشخص می کند که کدام ژن های خاص و فرآیندهای سلولی با جهش باکتری ها تغییر می کنند. نظارت بر چگونگی تأثیر این تغییرات بر بقای باکتری ها به محققان اجازه می دهد مکانیسم هایی را که این داروها برای کشتن باکتری ها استفاده می کنند، استنباط کنند.
برای این اینکار، تقریبا 2 میلیون مورد سمیت بین 200 دارو و هزاران باکتری جهش یافته جمع آوری و تجزیه و تحلیل شد. سپس یک الگوریتم یادگیری ماشینی برای استنباط شباهتهای بین داروهای مختلف ایجاد و داروها را بر اساس نحوه تأثیر آنها بر باکتریهای جهش یافته در یک شبکه گروهبندی شدند.
نتایج به وضوح نشان میدهد که آنتیبیوتیکهای شناختهشده بهدلیل کلاسهای شناختهشده مکانیسمهای کشتن، بهشدت با هم گروهبندی شدهاند. به عنوان مثال، تمام آنتی بیوتیک هایی که دیواره سلولی را هدف قرار می دهند - لایه محافظ ضخیم اطراف سلول های باکتریایی - در کنار هم قرار گرفتند و به خوبی از آنتی بیوتیک هایی که با تکثیر DNA باکتری ها تداخل دارند، جدا شدند.
جالب اینجاست که وقتی داروهای غیر آنتی بیوتیکی به تجزیه و تحلیل اضافه شد، آنها قطب های جداگانه ای از آنتی بیوتیک ها تشکیل دادند. این نشان می دهد که داروهای غیر آنتی بیوتیکی و آنتی بیوتیکی راه های مختلفی برای از بین بردن سلول های باکتریایی دارند. در حالی که این گروهبندیها نشان نمیدهند که چگونه هر دارو به طور خاص آنتیبیوتیکها را میکشد، اما نشان میدهد که آن دسته از داروها احتمالاً به روشهای مشابهی کار میکنند.
#machinelearning #machine_learning #bacteria #antibiotic #drugs
https://www.sciencealert.com/machine-learning-uncovers-new-ways-to-kill-bacteria-with-non-antibiotic-drugs
تحقیقات اخیر پتانسیل ضد باکتریایی داروهای غیر آنتی بیوتیکی را کشف کرده است که یک راهکار امیدوارکننده برای مقابله با مقاومت آنتی بیوتیکی فراهم می کند. از لحاظ تاریخی، آنتی بیوتیک ها انقلابی در پزشکی ایجاد کردند، اما استفاده بیش از حد از آنها منجر به ظهور باکتری های مقاوم به دارو شده است که تهدیدی قابل توجه برای سلامت جهانی است. دانشمندان کشف کرده اند که تقریباً یک چهارم داروهای غیر آنتی بیوتیکی در دوزهای تجویز شده معمولی اثرات ضد باکتریایی نشان می دهند که نشان دهنده پتانسیل آنها در مبارزه با عفونت های باکتریایی است.
➖ اما چگونه داروها باکتری ها را می کشند؟
برای پاسخ به این سوال، از یک تکنیک غربالگری ژنتیکی استفاده شد که اخیرا برای مطالعه اینکه چگونه داروهای ضد سرطان باکتری ها را هدف قرار می دهند، توسعه داده شده است. این روش مشخص می کند که کدام ژن های خاص و فرآیندهای سلولی با جهش باکتری ها تغییر می کنند. نظارت بر چگونگی تأثیر این تغییرات بر بقای باکتری ها به محققان اجازه می دهد مکانیسم هایی را که این داروها برای کشتن باکتری ها استفاده می کنند، استنباط کنند.
برای این اینکار، تقریبا 2 میلیون مورد سمیت بین 200 دارو و هزاران باکتری جهش یافته جمع آوری و تجزیه و تحلیل شد. سپس یک الگوریتم یادگیری ماشینی برای استنباط شباهتهای بین داروهای مختلف ایجاد و داروها را بر اساس نحوه تأثیر آنها بر باکتریهای جهش یافته در یک شبکه گروهبندی شدند.
نتایج به وضوح نشان میدهد که آنتیبیوتیکهای شناختهشده بهدلیل کلاسهای شناختهشده مکانیسمهای کشتن، بهشدت با هم گروهبندی شدهاند. به عنوان مثال، تمام آنتی بیوتیک هایی که دیواره سلولی را هدف قرار می دهند - لایه محافظ ضخیم اطراف سلول های باکتریایی - در کنار هم قرار گرفتند و به خوبی از آنتی بیوتیک هایی که با تکثیر DNA باکتری ها تداخل دارند، جدا شدند.
جالب اینجاست که وقتی داروهای غیر آنتی بیوتیکی به تجزیه و تحلیل اضافه شد، آنها قطب های جداگانه ای از آنتی بیوتیک ها تشکیل دادند. این نشان می دهد که داروهای غیر آنتی بیوتیکی و آنتی بیوتیکی راه های مختلفی برای از بین بردن سلول های باکتریایی دارند. در حالی که این گروهبندیها نشان نمیدهند که چگونه هر دارو به طور خاص آنتیبیوتیکها را میکشد، اما نشان میدهد که آن دسته از داروها احتمالاً به روشهای مشابهی کار میکنند.
#machinelearning #machine_learning #bacteria #antibiotic #drugs
https://www.sciencealert.com/machine-learning-uncovers-new-ways-to-kill-bacteria-with-non-antibiotic-drugs
ScienceAlert
Machine Learning Uncovers New Ways to Kill Bacteria With Non-Antibiotic Drugs
Unexpected weapons to fight superbugs.