博文
全部博文|精准医学|
生物技术制药|
管理生物学/Management-Biology|
生物学文化BioCulture|
生物医学新认识/Insights-of-Bio&medici ...|
生物产业发展战略分析BioIndustry|
基因组医学|
政经资讯|
人类大脑计划|
细胞生物学|
人类基因组计划|
进化生物学|
微生物学|
冠状病毒|
BioBusiness/生物商务发展与战略观察|
BioEconomy/生物经济学|
理论生物学/Theoretical-Biology|
大数据时代的信息资源管理科学|
数字技术|
跨界科学|
科学史|
生物信息学/信息生物学|
ChatGPT|
分子生物学|
Bioentrepreneurship生物创业学|
Drug discovery药物发现|
virology病毒学|
参考文献管理软件|
个人数字图书馆|
软件生物学Software Biology|
商务智能Business-Intelligence|
机器学习|
大数据科学|
医学发展战略|
转化医学|
计算科学|
审计工作|
人工智能（AI）|
区块链技术|
佛教生物学|
情报学|
工业4.0|
结构生物学|
肿瘤学|
计算生物学|
游戏学ludology|
生物学药Biologics|
机器学习-基因组学|
单细胞生物学|
- 走向可复制的机器学习
- 走向可复制的机器学习 编译 李升伟 我们提出一些建议，关于如何报告机器学习方面的研究，以改善其透明度和可复制性。 各个领域数据不断增加的可获得性已经使得数据驱动的研究成为计算科学的一种重要资产。 然而，从数据中提取有价值的见解可能是一项艰巨的任务：数据集变得 ...
