مشاهده سبد خرید “پروپوزال بکارگیری آنتولوژی جهت افزایش خود تطبیق پذیری در انباره داده” به سبد خرید شما افزوده شد.

پروپوزال بهبود دقت تشخیص بیماری دیابت نوع 2 با استفاده از الگوریتم ماشین بردار پشتیبان (SVM)

این پروپوزال با موضوع "بهبود دقت تشخیص بیماری دیابت نوع 2 با استفاده از الگوریتم ماشین بردار پشتیبان (SVM)" می باشد. فایل Word, Pdf پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پروپوزال 11 صفحه با رعایت قالب استاندارد دانشگاه می باشد.

زبان برنامه نویسی	متلب(Matlab)
فیلم اجرا شبیه سازی	ندارد
فایل Word	دارد
قالب استاندارد	دارد

خرید0

دیدگاه0

تومان 159,000

بازدیدهای محصول168

توضیحات

نظرات (0)

شرح مختصر پروپوزال

این پروپوزال با موضوع “بهبود دقت تشخیص بیماری دیابت نوع 2 با استفاده از الگوریتم ماشین بردار پشتیبان (SVM)” می باشد. فایل Word, Pdf پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پروپوزال 11 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پروپوزال پس از خرید عبارتند از:
فایل Word پروپوزال
فایل Pdf پروپوزال

توجه1: پایان نامه با همین موضوع، در سایت موجود می باشد که می توانید بصورت جداگانه خریداری نمایید.(جهت خرید کلیک نمایید)
توجه2: شبیه سازی با همین موضوع، در سایت موجود می باشد که می توانید بصورت جداگانه خریداری نمایید.(جهت خرید کلیک نمایید)
توجه3: در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید پایان نامه فوق کافی است با تیم پشتیبانی “ماکان تزیز” از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

شرح کلی پروپوزال بهبود دقت تشخیص بیماری دیابت نوع 2 با استفاده از الگوریتم ماشین بردار پشتیبان (SVM)

بیماری دیابت رایج ترین بیماری غددی و چهارمین علت مرگ در کشورهای پیشرفته می باشد. که به دلیل اختلال در متابولیسم گلوکز، بر سیستم های بدن تأثیرگذار می باشد. دیابت می تواند منجر به مشکلات حاد فیزیکی در افراد و تأثیر اقتصادی بزرگی بر سیستم بهداشت و درمان ملی گردد.

رایج ترین نوع دیابت، دیابت نوع 2 است که در آن، غده لوزالمعده انسولین تولید می‌کند اما مقدارآن ناکافی است و یا بدن نسبت به آن مقاوم می باشد و توانایی استفاده از آن را ندارد دیابت نوع 2 با رژیم غذایی مناسب، ورزش و در صورت لزوم با قرص کنترل می‌شود.

داده کاوی تکنیک و ابزار بسیار متداولی است که امروزه در زمینه های مختلفی از جمله علم پزشکی، کاربرد پیدا کرده است. از دیدگاه داده کاوی، پیش بینی در تشخیص بیماری، جزء مسائل طبقه بندی داده ها محسوب می شود. هدف از روش های پیش گویی داده کاوی در پزشکی بالینی ساخت یک مدل پیش گویانه است. که به پزشکان کمک می-نماید تا روش های پیش گیری، تشخیص و برنامه های درمانی خود را بهبود بخشند.

طبقه بندی:

طبقه بندی از جمله روش های پرکاربرد در تجزیه و تحلیل داده ها است. استخراج الگوهای موجود در داده ها از طریق گروه بندی افراد و متغیرها، هدف اصلی طبقه بندی، عنوان شده است.

فرآیند طبقه بندی در واقع نوعی یادگیری تحت نظارت است که در طی دو مرحله انجام می گردد. در مرحله اول مجموعه ای از داده ها (داده های آموزش که در آن هر داده شامل تعدادی ویژگی دارای مقدار و یک ویژگی بنام ویژگی کلاس می باشد)، برای ایجاد یک مدل داده به کار می روند.

مرحله دوم فرآیند طبقه بندی، اعمال مدل داده ایجاد شده بر روی داده های تست است که شامل تمام ویژگی های داده های آموزش( که برای ایجاد مدل داده به کار گرفته شده اند) می باشد، به جز ویژگی کلاس این مقادیر که هدف از عمل طبقه بندی نیز تخمین مقدار این ویژگی است.

الگوریتم ها و روش های مختلفی برای طبقه بندی تاکنون پیشنهاد شده اند که برای مثال می توان از روش های طبقه بندی با استفاده از درخت تصمیم، طبقه بندی بیزین، SVM، طبقه بندی با استفاده از شبکه های عصبی، طبقه بندی مبتنی بر قواعد و … نام برد.

الگوریتم ماشین بردار پشتیبان

الگوریتم ماشین بردار پشتیبان (Support vector machines – SVMs)، یکی از الگوریتم های داده کاوی و از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.

SVM اولین بار توسط vapnic و همکارانش در سال 1995 در زمینه تئوری یادگیری آماری، معرفی شده است. این الگوریتم، یک طبقه بندی کننده دودویی غیر آماری است که در سال های اخیر به دلیل عملکرد دقیق، بسیار مورد توجه قرار گرفته است الگوریتم SVM، جز الگوریتم های تشخیص الگو دسته بندی می شود. از الگوریتم SVM، در هر جایی که نیاز به تشخیص الگو یا دسته بندی اشیا در کلاس های خاص باشد می توان استفاده کرد.

این الگوریتم از یک نگاشت غیرخطی برای تبدیل داده های آموزشی ابتدایی به ابعاد بالاتر استفاده می کند. در این بعد جدید، به دنبال ابرصفحه خطی جداکننده بهینه می گردد. این ابرصفحه، حاشیه ماکسیمال از داده های آموزشی دارد.

در عبارت ذکرشده، حاشیه به معنای کمترین فاصله بین نزدیک ترین داده ها و هر نقطه روی صفحه است. ثابت شده این ابرصفحه بهترین قابلیت عمومی سازی را دارد. این الگوریتم، نه تنها عملکرد طبقه بندی خوبی دارد بلکه از دقت پیش بینی بالایی نیز برخوردار است.

الگوریتم SVM با فرض این که کلاس‌ها به صورت خطی جداپذیر باشند، ابر صفحه‌هایی با حداکثر حاشیه را به دست می‌آورد که کلاس‌ها را جدا کنند. در مسائلی که داده‌ها به صورت خطی جداپذیر نباشند داده‌ها به فضایی با ابعاد بالاتر نگاشت می‌شوند تا بتوان آن‌ها را در این فضای جدید به صورت خطی جدا نمود. دو صفحه مرزی موازی با صفحه دسته بندی رسم کرده و آن دو را آنقدر از هم دور می کنیم که به داده‌ها برخورد کنند. صفحه دسته-بندی که بیش ترین فاصله را از صفحات مرزی داشته باشد، بهترین جدا کننده خواهد بود.

مسأله انتخاب ویژگی:

مسأله انتخاب ویژگی یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسائی آماری الگو مطرح است. این مسأله، برگزیدن ویژگی هایی است که حداکثر توان را در پیش گویی خروجی دارا باشند. روش های انتخاب ویژگی در تحلیل پایگاه داده ها استفاده می شوند.

این روش ها در پایگاه داده هایی که شامل تعداد بسیاری از ویژگی ها هستند و پردازش را مشکل می کنند کاربرد زیادی دارند و بر اساس این روش ها، اکثر آن ویژگی هایی که حاوی بیشترین اطلاعات مفید هستند، انتخاب می شوند.

استفاده از یک الگوریتم انتخاب ویژگی کارآمد قبل از به کارگیری الگوریتم طبقه بندی، باعث می شود دقت شناسایی، بالاتر رود. تحقیقات نشان داده است که الگوریتم‌های بهینه‌سازی تکاملی، راه حل بسیار مناسبی برای حل مسائل NP-hard مانند انتخاب ویژگی هستند. یک روش تکاملی، در حقیقت، یک روش ابتکاری برای حل یک طبقه بسیار عمومی از مسائل است و ترکیبی کارآمد از توابع هدف یا روش‌های ابتکاری مبتنی بر توابع هدف می-باشد.

ادامه شرح:

در این تحقیق محقق درصدد است که به ارائه الگوریتمی ترکیبی جهت بهبود دقت تشخیص بیماری دیابت نوع 2 بپردازد. در روش پیشنهادی، ابتدا به پیش پردازش داده ها پرداخته به این صورت که مقادیر ویژگی ها را بین صفر و یک نرمالیزه نموده و ترتیب رکوردها را نیز به صورت تصادفی تغییر داده و داده های آموزش و تست را نیز از هم تفکیک می نماید.

سپس با استفاده از یکی از الگوریتم های تکاملی (که در حین انجام کار انتخاب می گردد) به انتخاب ویژگی، پرداخته و در مرحله بعد الگوریتم SVM روی داده های حاصله، اعمال می گردد. در نهایت دقت روش پیشنهادی با برخی روش های ارائه شده قبلی سنجیده می شود.

جهت ارزیابی روش پیشنهادی، مجموعه داده از بیمارستان تخصصی و فوق تخصصی حضرت ولیعصر(ع) شهرستان فسا (از دیابتی های سال 1389 تا 1394 ) خواهد بود. از بین تعداد رکوردهای جمع آوری شده، 75 درصد برای آموزش و 25 درصد جهت تست در نظر گرفته خواهد شد.

به کارگرفتن روش پیشنهادی در این تحقیق، در داده های مربوط به بیماری دیابت نوع2، می تواند به تشخیص زودرس و به تعویق انداختن این بیماری شایع در جوامع امروزی کمک کند.

اهداف برجسته تحقیق:

1- استخراج ویژگی‌های مناسب و مفید و حذف ویژگی های غیر مهم، به منظور کاهش ابعاد مسأله و پیچیدگی‌های محاسباتی و افزایش دقت مسأله

2- تشخیص بیماری دیابت نوع2 با استفاده از روش پیشنهادی

3- مقایسه عملکرد روش های مختلف تشخیص بیماری دیابت نوع2 با روش پیشنهادی

4- افزایش دقت پیش بینی بیماری دیابت نوع2

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه(نظر) ارسال کنند.

اطلاعات بیشتر

زبان برنامه نویسی	متلب(Matlab)
فیلم اجرا شبیه سازی	ندارد
فایل Word	دارد
قالب استاندارد	دارد
دسته بندی	پروپوزال رشته کامپیوتر, پروپوزال ها
برچسب ها	makanthesis, دانلود پروپوزال آماده, دانلود پروپوزال الگوریتم ماشین بردار پشتیبان (SVM), دانلود پروپوزال تشخیص بیماری دیابت نوع 1 در متلب, دانلود پروپوزال تشخیص بیماری دیابت نوع 2, دانلود پروپوزال تشخیص بیماری دیابت نوع 2 با استفاده از الگوریتم ماشین بردار پشتیبان (SVM), دانلود پروپوزال تشخیص بیماری دیابت نوع 2در متلب, ماکان تزیز
فروشنده	کارشناس ماکان تزیز

فروشگاه فایلهای دانشگاهی

پروپوزال بهبود دقت تشخیص بیماری دیابت نوع 2 با استفاده از الگوریتم ماشین بردار پشتیبان (SVM)

شرح مختصر پروپوزال