Name: Prévision des maladies à l'aide de l'apprentissage automatique: Analyse médicale à l'aide de l'IA (en Francés)
SKU: 69049010
Price: 285.93 PEN
Availability: InStock
Author: Bhuvaneswari, A. P.
ISBN: 9786630397895

portada Prévision des maladies à l'aide de l'apprentissage automatique: Analyse médicale à l'aide de l'IA (en Francés)

Prévision des maladies à l'aide de l'apprentissage automatique: Analyse médicale à l'aide de l'IA (en Francés)

Formato

Libro Físico

Editorial

Editions Notre Savoir

Autor

Bhuvaneswari, A. P.

Idioma

Francés

N° páginas

152

ISBN13

9786630397895

Prévision des maladies à l'aide de l'apprentissage automatique: Analyse médicale à l'aide de l'IA (en Francés)

Bhuvaneswari, A. P. (Autor) · Editions Notre Savoir · Libro Físico

Libro Nuevo Importado

Envío: 21 a 26 días háb.

S/ 635,41S/ 285,93

-55%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

S/ 285,93

Llega entre el 26 Nov y el 04 Dic a CERCADO DE LIMA, Lima. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Prévision des maladies à l'aide de l'apprentissage automatique: Analyse médicale à l'aide de l'IA (en Francés)"

'Modèles d'apprentissage automatique visant à optimiser les performances du classificateur pour la prédiction précoce de la maladie' La méthodologie technique et informatique au c?ur de ce projet comble des lacunes critiques dans les modèles de diagnostic médical grâce à un flux de travail distinct en plusieurs étapes: les données cliniques de haute dimension (telles que les dossiers complexes des patients) introduisent souvent du bruit de calcul et le 'fléau de la dimensionnalité'. La recherche utilise des méthodologies d'ingénierie spécialisées - combinant des techniques telles que l'analyse en composantes principales (ACP) et la sélection de caractéristiques sur mesure - afin de rationaliser les ensembles de données pour ne retenir que leurs facteurs de risque les plus significatifs sur le plan statistique. Avant la classification, le cadre intègre des techniques d'apprentissage automatique non supervisées, telles que le regroupement par la méthode des K-moyennes optimisée, afin de découvrir des motifs cachés et de segmenter naturellement les structures des données cliniques. La contribution principale de cette thèse réside dans la conception de modèles spécifiques visant à optimiser la précision, la sensibilité et les performances d'exécution des classificateurs standard d'apprentissage automatique supervisé. En affinant ces classificateurs mathématiques sous-jacents, le système minimise les faux positifs et les faux négatifs.