Please enable javascript in your browser.
Page
of
0
پیشبینی عوارض بیماری آنفارکتوس میوکارد با استفاده از روش های یادگیری ماشین
زجاجی، سحر Zojaji, Sahar
Cataloging brief
پیشبینی عوارض بیماری آنفارکتوس میوکارد با استفاده از روش های یادگیری ماشین
پدیدآور اصلی :
زجاجی، سحر Zojaji, Sahar
ناشر :
صنعتی شریف
سال انتشار :
1404
موضوع ها :
انفارکتوس میوکارد Myocardial Infarction یادگیری ماشینی Machine Learning پیش بینی عوارض...
شماره راهنما :
01-58630
Find in content
sort by
page number
page score
Bookmark
مقدمه
(13)
تعریف مسئله
(16)
اهداف پژوهش
(17)
ضرورت و کاربرد پژوهش
(18)
نوآوری پژوهش
(19)
ساختار پژوهش
(20)
مبانی نظری و پیشینه پژوهش
(21)
مبانی نظری
(22)
مفاهیم پزشکی مرتبط با بیماری آنفارکتوس میوکارد و عوارض آن
(22)
دادههای پزشکی و ساختارهای رایج در تحلیل عوارض
(24)
الگوریتمهای یادگیری ماشین پرکاربرد در پیشبینی عوارض بالینی
(25)
تفسیرپذیری در مدلهای یادگیری ماشین
(27)
تکنیکهای پرکاربرد در تفسیرپذیری
(27)
تفسیر بالینی در مقابل دقت آمار
(28)
مفاهیم استنتاج علّی و کاربرد آن در پزشکی
(29)
مدلهای مدرن یادگیری علّی برای دادههای پیچیده پزشکی
(30)
چارچوب کلی مسئله یادگیری ماشین در این تحقیق
(31)
مرور ادبیات
(32)
آغاز به کارگیری هوش مصنوعی در پیشبینی عوارض آنفارکتوس میوکارد (۲۰۰۶-۱۹۹۵)
(32)
ورود دادههای سیگنالی، زمانی و چندوجهی به مدلسازی خطر انفارکتوسمیوکارد(۲۰۲۴-۲۰۰۵)
(34)
بهکارگیری الگوریتمهای یادگیری ماشین در پیشبینی عوارض (۲۰۲۴-۲۰۲۱)
(37)
مدلهای ترکیبی، چندمرحلهای، و مبتنی بر دادههای چندمنبعی یا پیچیده
(39)
مدلهای مبتنی بر یادگیری عمیق در پیشبینی و تشخیص عوارض آنفارکتوس میوکارد
(42)
روشهای نوین و آیندهنگر در تحلیل، تفسیر، و کاربرد مدلهای هوش مصنوعی برای آنفارکتوس میوکارد
(44)
شکاف تحقیقاتی
(48)
روش تحقیق
(50)
مراحل انجام پژوهش
(51)
معرفی مجموعه داده
(52)
پیشپردازش
(53)
تحلیل اکتشافی متغیرها
(54)
تحلیل متغیر هدف
(56)
تقسیم اولیه دادهها برای آموزش و ارزیابی
(56)
خوشهبندی علّی
(57)
علت انتخاب این روش
(57)
تخمینگر اول
(58)
استفاده از الگوریتم K-Means برای خوشهبندی
(59)
تخمینگر دوم
(61)
پیادهسازی گامبهگام تخمینگر دوم
(62)
مدلسازی پیشبینی عوارض با استفاده از الگوریتمهای یادگیری ماشین
(63)
رگرسیون لجستیک
(63)
جنگل تصادفی
(65)
گرادیان تقویتی
(66)
ارزیابی عملکرد
(67)
تحلیل اختلاف عملکرد ( یا دلتا)
(68)
رتبهبندی آماری با استفاده از روش Scott-Knott
(68)
تجزیه و تحلیل یافتهها
(70)
بررسی توصیفی دادهها و تحلیل ساختار متغیرهای خروجی
(71)
تحلیل همبستگی بین متغیرهای مجموعه داده آنفارکتوس میوکارد
(71)
تحلیل همبستگی بین عوارض پس از آنفارکتوس میوکارد
(71)
عدم توازن عوارض
(73)
خوشهبندی بیماران با استفاده از تخمینگر نوع اول
(76)
تنظیمات مدل و تولید ماتریس تخمین عوارض فرضی
(76)
پیادهسازی الگوریتم K-Means بر روی ماتریس تخمین مقادیر فرضی
(77)
مشخصات نهایی خوشهبندی
(78)
خوشهبندی بیماران با استفاده از تخمینگر نوع دوم
(79)
ساخت ماتریسهای 1 و 2
(80)
اجرای الگوریتم K-Means و انتخاب تعداد خوشهها
(80)
نتایج نهایی خوشهبندی و تحلیل ساختار
(81)
مقایسه با تخمینگر نوع اول
(81)
متعادلسازی دادهها پس از خوشهبندی با استفاده از یادگیری حساس به هزینه
(83)
مراحل پیادهسازی
(83)
تخصیص دادههای تست به خوشههای استخراجشده با تخمینگر نیمهپارامتریک
(84)
مراحل انجام تخصیص:
(84)
اهمیت این موضوع در چارچوب پژوهش
(85)
طبقهبندی با مدل رگرسیون لجستیک: تحلیل درونخوشهای و سراسری
(85)
مدلسازی درون خوشهای با رگرسیون لجستیک
(86)
مدلسازی سراسری با رگرسیون لجستیک
(86)
مقایسه عملکرد مدل خوشهای و مدل سراسری الگوریتم رگرسیون لجستیک
(87)
طبقهبندی با مدل جنگل تصادفی: تحلیل درونخوشهای و سراسری
(88)
مدلسازی درون خوشهای با جنگل تصادفی
(88)
مدلسازی سراسری الگوریتم جنگل تصادفی
(88)
تنظیمات مدل سراسری جنگل تصادفی
(89)
مقایسه عملکرد مدل خوشهای و مدل سراسری الگوریتم جنگل تصادفی
(89)
طبقهبندی با مدل گرادیان تقویتی: تحلیل درونخوشهای و سراسری
(91)
مدلسازی درون خوشهای با گرادیان تقویتی
(91)
مدلسازی سراسری الگوریتم گرادیان تقویتی
(92)
مقایسه عملکرد مدل خوشهای و مدل سراسری الگوریتم گرادیان تقویتی
(92)
مقایسه کلی بین مدلهای سراسری و خوشهای
(93)
تحلیل عملکرد مدلها در پیشبینی عوارض
(93)
ارزیابی اثر خوشهبندی بر دقت مدلها: تحلیل دلتا و رتبهبندی ScottKnott
(101)
نتیجهگیری
(111)
جمعبندی کلی پژوهش
(111)
دستاوردهای علمی و کاربردی
(112)
محدودیتهای پژوهش
(113)
پیشنهادات آتی
(113)
جمعبندی پایانی
(114)
مراجع
(116)
