已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

A review of traditional and machine learning methods applied to animal breeding

瓶颈 计算机科学 领域(数学) 牲畜 数据科学 主流 透视图(图形) 风险分析(工程) 人工智能 地理 业务 哲学 嵌入式系统 纯数学 林业 数学 神学
作者
Shadi Nayeri,Mehdi Sargolzaei,Dan Tulpan
出处
期刊:Animal Health Research Reviews [Cambridge University Press]
卷期号:20 (1): 31-46 被引量:48
标识
DOI:10.1017/s1466252319000148
摘要

Abstract The current livestock management landscape is transitioning to a high-throughput digital era where large amounts of information captured by systems of electro-optical, acoustical, mechanical, and biosensors is stored and analyzed on a daily and hourly basis, and actionable decisions are made based on quantitative and qualitative analytic results. While traditional animal breeding prediction methods have been used with great success until recently, the deluge of information starts to create a computational and storage bottleneck that could lead to negative long-term impacts on herd management strategies if not handled properly. A plethora of machine learning approaches, successfully used in various industrial and scientific applications, made their way in the mainstream approaches for livestock breeding techniques, and current results show that such methods have the potential to match or surpass the traditional approaches, while most of the time they are more scalable from a computational and storage perspective. This article provides a succinct view on what traditional and novel prediction methods are currently used in the livestock breeding field, how successful they are, and how the future of the field looks in the new digital agriculture era.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
单薄遥完成签到 ,获得积分10
1秒前
sen123完成签到 ,获得积分10
2秒前
学术菜鸡123完成签到,获得积分10
4秒前
饱满的土豆完成签到,获得积分10
5秒前
6秒前
小马甲应助科研通管家采纳,获得10
7秒前
汉堡包应助科研通管家采纳,获得10
7秒前
平常的不评完成签到 ,获得积分10
8秒前
zcc111完成签到,获得积分10
8秒前
12秒前
美味cookies发布了新的文献求助10
13秒前
mufeixue发布了新的文献求助10
17秒前
18秒前
18秒前
zizizi发布了新的文献求助10
22秒前
Dana完成签到 ,获得积分10
23秒前
23秒前
anan完成签到 ,获得积分10
27秒前
不甜完成签到 ,获得积分10
31秒前
调皮的千万完成签到,获得积分10
31秒前
Only完成签到 ,获得积分10
36秒前
Shrimp完成签到 ,获得积分10
37秒前
39秒前
神勇丹烟完成签到,获得积分10
40秒前
sdkabdrxt完成签到,获得积分10
41秒前
goldNAN发布了新的文献求助10
42秒前
zm发布了新的文献求助10
44秒前
goldNAN完成签到,获得积分10
46秒前
LYSnow7完成签到 ,获得积分10
48秒前
神勇丹烟发布了新的文献求助10
48秒前
Nefelibata完成签到,获得积分10
51秒前
科目三应助zm采纳,获得10
51秒前
SciGPT应助LMH采纳,获得10
56秒前
57秒前
wwz完成签到 ,获得积分10
58秒前
充电宝应助zm采纳,获得10
59秒前
风趣雅青发布了新的文献求助30
59秒前
丘比特应助wu采纳,获得10
1分钟前
活泼的机器猫完成签到,获得积分10
1分钟前
Lucas应助爱打球的小蔡鸡采纳,获得10
1分钟前
高分求助中
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
Die Gottesanbeterin: Mantis religiosa: 656 400
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3164729
求助须知:如何正确求助?哪些是违规求助? 2815800
关于积分的说明 7910197
捐赠科研通 2475349
什么是DOI,文献DOI怎么找? 1318097
科研通“疑难数据库(出版商)”最低求助积分说明 632005
版权声明 602282