ВВЕДЕНИЕ 4
1 МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ 5
1.1 Актуальность и постановка задачи 5
1.2 Описание основных средств разработки и анализа данных 7
1.3 Подготовка данных для машинного обучения 12
Выводы по разделу 1 19
2 СРАВНИТЕЛЬНЫЙ АНАЛИЗ И РЕАЛИЗАЦИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ 20
2.1 Описание алгоритмов и основных метрик 20
2.1.1 Логистическая регрессия 20
2.1.2 Дерево решений и случайный лес 22
2.1.3 Нейронная сеть 25
2.1.4 Используемые метрики классификации 26
2.2 Программная реализация, настройка и сравнение алгоритмов 29
2.2.1 Логистическая регрессия 29
2.2.2 Дерево решений 32
2.2.3 Случайный лес 37
2.2.4 Нейронная сеть 41
Выводы по разделу 2 47
3 РАЗРАБОТКА ПРОТОТИПА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ 48
3.1 Описание структуры системы 48
3.2 Разработка клиентской части приложения 50
3.3 Описание прототипа онтологии заболеваний 54
3.4 Разработка серверной части приложения 56
3.5 Тестирование приложения 60
Выводы по разделу 3 62
ЗАКЛЮЧЕНИЕ 63
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 64
ПРИЛОЖЕНИЕ А. ЛИСТИНГ КОДА 67
На сегодняшний день всё большую популярность набирают различные технологии искусственного интеллекта, включающие алгоритмы машинного обучения, которые активно используются в таких областях, как медицина, банковская сфера, производство, личная физическая и информационная безопасности, торговля и реклама, оборонная промышленность и т.д.
Подавляющее большинство задач, решаемых с помощью машинного обучения, относятся к одной из следующих категорий задач:
• регрессии;
• классификации;
• кластеризации;
• уменьшения размерности;
• выявления аномалий;
В данной работе я занимаюсь построением прототипа интеллектуальной системы для решений задачи из области медицины по классификации пациентов по риску развития инсульта, где классами выступает наличие инсульта или его отсутствие.
Цель работы – разработать прототип интеллектуальной системы для анализа медицинских данных с помощью машинного обучения.
1. Подготовка обучающей выборки данных о риске возникновения заболевания.
2. Сравнительный анализ и программная реализация алгоритмов машинного обучения для решения задачи бинарной классификации.
3. Реализация клиентской части приложения для анализа медицинских данных.
4. Разработка и внедрение базы данных и онтологии заболеваний и лекарств. Реализация серверной части приложения.
Актуальность данной работы обуславливается необходимостью повышения качества медицинского обслуживания при постановке диагноза заболевания.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка прототипа интеллектуальной системы для анализа медицинских данных с использованием методов машинного обучения #9106371
Артикул: 9106371
- Предмет: Программирование
- Уникальность: 77% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2023 году
- Количество страниц: 98
- Формат файла: docx
2 499p.
1. Stroke Prediction Dataset. – Текст: электронный // Kaggle.com: [сайт].– 2022.
– URL: https://www.kaggle.com/datasets/fedesoriano/stroke-prediction-dataset (дата обращения: 10.11.22).
2. Pandas 2.0.2 documentation. – Текст: электронный // pandas.pydata.org: [сайт]. – 2022. – URL: https://pandas.pydata.org/docs/ (дата обращения: 12.11.22).
3. Быстрое кодирование (One-Hot Encoding). – Текст: электронный // helenkapatsa.ru: [сайт]. – 2021. – URL: https://www.helenkapatsa.ru/bystroie-kodirovaniie/ (дата обращения: 27.11.22).
4. Documentation of scikit-learn. Текст : электронный // scikit-learn.org : [сайт]. – URL: http://scikit-learn.org/stable/documentation.html (дата обращения: 12.03.2022).
5. Imbalanced-learn documentation. – Текст: электронный // imbalanced- learn.org: [сайт]. – 2022 – URL: https://imbalanced-learn.org/stable/index.html# (дата обращения: 17.12.22).
6. Техника переcэмплирования синтетического меньшинства (SMOTE). – Текст: электронный // helenkapatsa.ru: [сайт]. – 2021. – URL: https://www.helenkapatsa.ru/smote-pieriesemplirovaniie/ (дата обращения: 15.01.23).
7. Вандер Плас Дж. Python для сложных задача: наука о данных и машинное обучение / Плас Дж. Вандер. – Санкт-Петербург: Лань, 2022. – 576 с. – ISBN 978-5- 496-03068-7. – Текст: непосредственный.
8. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / О. Жерон. – Санкт-Петербург: ООО «Альфа-книга», 2018. – 688 с. – ISBN 978- 5-496-03068-7. – Текст: непосредственный.
9. Гафаров Ф.М. Искусственный нейронные сети и приложения: учебное пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан. ун-та, 2018. – 121 с.
– Текст: непосредственный.
10. Скиена С. Наука о данных: учебный курс / С. Скиена. – Санкт-Петербург: ООО «Диалектика», 2020. – 544с. – ISBN 978-5-907144-74-3. – Текст: непосредственный.
11. Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. – Москва: ДМК Пресс, 2018. – 652 с. – ISBN 978-5-97060-618-6. – Текст: непосредственный.
12. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. – Москва: ДМК Пресс, 2015. – 400с. – ISBN 978-5-97060-273-7. – Текст: непосредственный.
13. Машинное обучение. – Текст: электронный // machinelearning.ru : [сайт]. – URL: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение (дата обращения: 21.02.23).
14. Воронина В.В. Теория и практика машинного обучения / В.В. Воронина. – Ульяновск : УлГТУ, 2017. – 290 с. Текст : непосредственный.
15. ИИ и машинное обучение в медицине. Текст : электронный // habr.com : [сайт]. – URL : https://habr.com/ru/company/cloud4y/blog/506288/ (дата обращения: 25.02.2023).
16. Sending form data. – Текст: электронный // developer.mozilla.org [сайт]. URL:https://developer.mozilla.org/enUS/docs/Learn/Forms/Sending_and_retrieving_form_d ata (дата обращения: 20.02.23).
17. Protégé 5 Documentation. – Текст: электронный // protege.com: [сайт]. – 2022.– URL: http://protegeproject.github.io/protege/ (дата обращения: 19.10.2022).
18. Lamy Jean-Baptiste Ontologies With Python : Programming Owl 2.0 Ontologies With Python and Owlready2 / Jean-Baptiste Lamy. – New York: Apress, 2020. – 344 p. – ISBN 978-1-4842-6552-9. – Текст: непосредственный.
19. Иванов П.И. Обзор библиотеки OWLREADY2 для работы с онтологиями на языке Python / П.И.Иванов, И.Ю.Мышкина, Л.Ю.Грудцына // Научно-технический вестник Поволжья. – 2022. – №12 (74). – С.139-141. – Текст: непосредственный.
20. Загорулько Г.Б. Онтологический подход к созданию системы поддержки принятия решений при остеопорозе / Г.Б. Загорулько, Ю.А. Загуролько. – Новосибирск: ИСИ СО РАН, 2009. – 128 с. – Текст: непосредственный.
21. Документация Flask. – Текст: электронный // flask-russian-docs: [сайт]. – 2013. – URL: https://flask-russian-docs.readthedocs.io/ru/0.10.1/ (дата обращения: 04.03.23).
22. Python Documentation by Version. – Текст: электронный // python.org: [сайт].
– 2023. – URL: https://www.python.org/doc/versions/ (дата обращения: 15.04.23).
23. Лутц М. Программирование на Python. Т.2 / М. Лутц. – Москва: Символ, 2016. –992с –ISBN 978-5-93286-211-7. – Текст: непосредственный.
24. PEP 8 - руководство по написанию кода на Python. – Текст: электронный // pythonworld.ru [сайт]. – 2023. – URL: https://pythonworld.ru/osnovy/pep-8-rukovodstvo- po-napisaniyu-koda-na-python.html (дата обращения: 03.03.23).
25. Кудрявцев В.Б. Основы теории интеллектуальных систем / В.Б. Кудрявцев, Э.Э. Гасанов, А.С. Подколзин. – Москва : МАКС Пресс, 2016. – 612 с. Текст : непосредственный.
– URL: https://www.kaggle.com/datasets/fedesoriano/stroke-prediction-dataset (дата обращения: 10.11.22).
2. Pandas 2.0.2 documentation. – Текст: электронный // pandas.pydata.org: [сайт]. – 2022. – URL: https://pandas.pydata.org/docs/ (дата обращения: 12.11.22).
3. Быстрое кодирование (One-Hot Encoding). – Текст: электронный // helenkapatsa.ru: [сайт]. – 2021. – URL: https://www.helenkapatsa.ru/bystroie-kodirovaniie/ (дата обращения: 27.11.22).
4. Documentation of scikit-learn. Текст : электронный // scikit-learn.org : [сайт]. – URL: http://scikit-learn.org/stable/documentation.html (дата обращения: 12.03.2022).
5. Imbalanced-learn documentation. – Текст: электронный // imbalanced- learn.org: [сайт]. – 2022 – URL: https://imbalanced-learn.org/stable/index.html# (дата обращения: 17.12.22).
6. Техника переcэмплирования синтетического меньшинства (SMOTE). – Текст: электронный // helenkapatsa.ru: [сайт]. – 2021. – URL: https://www.helenkapatsa.ru/smote-pieriesemplirovaniie/ (дата обращения: 15.01.23).
7. Вандер Плас Дж. Python для сложных задача: наука о данных и машинное обучение / Плас Дж. Вандер. – Санкт-Петербург: Лань, 2022. – 576 с. – ISBN 978-5- 496-03068-7. – Текст: непосредственный.
8. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / О. Жерон. – Санкт-Петербург: ООО «Альфа-книга», 2018. – 688 с. – ISBN 978- 5-496-03068-7. – Текст: непосредственный.
9. Гафаров Ф.М. Искусственный нейронные сети и приложения: учебное пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан. ун-та, 2018. – 121 с.
– Текст: непосредственный.
10. Скиена С. Наука о данных: учебный курс / С. Скиена. – Санкт-Петербург: ООО «Диалектика», 2020. – 544с. – ISBN 978-5-907144-74-3. – Текст: непосредственный.
11. Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. – Москва: ДМК Пресс, 2018. – 652 с. – ISBN 978-5-97060-618-6. – Текст: непосредственный.
12. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. – Москва: ДМК Пресс, 2015. – 400с. – ISBN 978-5-97060-273-7. – Текст: непосредственный.
13. Машинное обучение. – Текст: электронный // machinelearning.ru : [сайт]. – URL: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение (дата обращения: 21.02.23).
14. Воронина В.В. Теория и практика машинного обучения / В.В. Воронина. – Ульяновск : УлГТУ, 2017. – 290 с. Текст : непосредственный.
15. ИИ и машинное обучение в медицине. Текст : электронный // habr.com : [сайт]. – URL : https://habr.com/ru/company/cloud4y/blog/506288/ (дата обращения: 25.02.2023).
16. Sending form data. – Текст: электронный // developer.mozilla.org [сайт]. URL:https://developer.mozilla.org/enUS/docs/Learn/Forms/Sending_and_retrieving_form_d ata (дата обращения: 20.02.23).
17. Protégé 5 Documentation. – Текст: электронный // protege.com: [сайт]. – 2022.– URL: http://protegeproject.github.io/protege/ (дата обращения: 19.10.2022).
18. Lamy Jean-Baptiste Ontologies With Python : Programming Owl 2.0 Ontologies With Python and Owlready2 / Jean-Baptiste Lamy. – New York: Apress, 2020. – 344 p. – ISBN 978-1-4842-6552-9. – Текст: непосредственный.
19. Иванов П.И. Обзор библиотеки OWLREADY2 для работы с онтологиями на языке Python / П.И.Иванов, И.Ю.Мышкина, Л.Ю.Грудцына // Научно-технический вестник Поволжья. – 2022. – №12 (74). – С.139-141. – Текст: непосредственный.
20. Загорулько Г.Б. Онтологический подход к созданию системы поддержки принятия решений при остеопорозе / Г.Б. Загорулько, Ю.А. Загуролько. – Новосибирск: ИСИ СО РАН, 2009. – 128 с. – Текст: непосредственный.
21. Документация Flask. – Текст: электронный // flask-russian-docs: [сайт]. – 2013. – URL: https://flask-russian-docs.readthedocs.io/ru/0.10.1/ (дата обращения: 04.03.23).
22. Python Documentation by Version. – Текст: электронный // python.org: [сайт].
– 2023. – URL: https://www.python.org/doc/versions/ (дата обращения: 15.04.23).
23. Лутц М. Программирование на Python. Т.2 / М. Лутц. – Москва: Символ, 2016. –992с –ISBN 978-5-93286-211-7. – Текст: непосредственный.
24. PEP 8 - руководство по написанию кода на Python. – Текст: электронный // pythonworld.ru [сайт]. – 2023. – URL: https://pythonworld.ru/osnovy/pep-8-rukovodstvo- po-napisaniyu-koda-na-python.html (дата обращения: 03.03.23).
25. Кудрявцев В.Б. Основы теории интеллектуальных систем / В.Б. Кудрявцев, Э.Э. Гасанов, А.С. Подколзин. – Москва : МАКС Пресс, 2016. – 612 с. Текст : непосредственный.
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка прототипа интеллектуальной системы для анализа медицинских данных с использованием методов машинного обучения |
| Артикул: | 9106371 |
| Дата написания: | 28.06.2023 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 77% |
| Количество страниц: | 98 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка прототипа интеллектуальной системы для анализа медицинских данных с использованием методов машинного обучения по предмету программирование
Пролистайте "Разработка прототипа интеллектуальной системы для анализа медицинских данных с использованием методов машинного обучения" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 26.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 77% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка игры в жанре roguelike в межплатформенной среде Unity
СЛЕДУЮЩАЯ РАБОТА
Разработка алгоритмов и программного модуля для идентификации дорожных указателей с использованием искусственных нейронных сетей