一些信息学的基础知识，相当有用。建议每个做信息学比赛的人都看一看。

103、信息学奥赛零基础入门书籍介绍（小学生）--C++版-2021-01-04(B).pdf

我们的生物分析研究利用实用且高效的高通量技术来分析源自生命系统的复杂混合物。 这将促进针对特定疾病的预防，预测和个性化医学的发展，并将促进健康。 我们使用许多高通量分析平台，包括蛋白质组学和代谢组学的多维液相色谱-质谱（MDLC-MS）； 液相色谱-质谱（LC-MS）和全面二维气相色谱-质谱（GCxGC / TOF-MS）。 每种类型的分析对患者样品中存在的分子提供有限的分析物覆盖范围，因此对于单个患者仅提供部分分子概况。 这些多样化的分析数据必须与先进的生物信息学方法集成在一起，以准确评估健康状况并检测疾病易感性。

这本书设计量子计算机的两个问题，量子计算和量子信息

黑书 算法艺术与信息学竞赛 pdf ACM经典教程

《算法艺术和信息学竞赛》 及其学习指导： 《算法艺术入门》

实用算法的分析与程序设计信息学 书籍 黑书信息学 书籍 黑书

信奥帮初赛集训配套课件，首发！！！ PART3-CSP(NOIP)信息学奥赛初赛集训 数学知识

基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx

生物集群 为生物信息学实验室构建计算集群的教程 介绍 我是的首席研究员。 在2010年，我为实验室成员构建了一个计算集群，从那时起我们一直在使用该集群。 有时有人问我如何自己管理集群，我通常将他们指向上的文档。 但是，文档可能过于复杂，但不足以解决我在过去几年中遇到的许多实际问题。 因此，我决定编写一个有关为生物信息学实验室构建计算集群的简单教程。 组织 本教程分为几个主要部分： 接触 如果您有任何建议，意见或补充，请分叉存储库，对其进行修改并提交拉取请求。 如果您喜欢此存储库，请单击此页面顶部的“星标”按钮，以表示感谢，这对我确实意义重大。 如果您想收到有关此存储库更改的通知，请单击此页面顶部的“监视”按钮。 执照 您可以不受限制地随意散发，复制，修改，分发，发布或出售本教程中的信息。 有关正式声明，请访问http://kai.mit-license.org/ 。