Официальный подлинный клинический анализ больших данных и добыча полезных ископаемых: клиническое решение на основе Python и машинного обучения
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
- Наука
| Посовывать: | Наука |
Эта книга не только объясняет основные принципы и основные методы машинного обучения, но и достигает обработки и анализа медицинских данных и медицинских данных посредством большого количества случаев в области медицины и может в значительной степени помочь медицинскому персоналу принимать клинические решения большой степени.Благодаря изучению этой книги, читатели могут не только понять подготовку данных перед моделированием алгоритмов машинного обучения, но и скрининг инженерии индикатора алгоритма конструктивного машинного обучения, различных типов алгоритмов машинного обучения, но также развлекайте клиническую диагностику и лечение Данные, электронные данные о файлах медицинской записи и видеоданные.В то же время эта книга также вводит платформу моделирования данных с открытым исходным кодом, программирование TIPDM, и полный процесс анализа данных может быть достигнут за счет графической работы сопротивления.Эта книга может использоваться в качестве основных учебников по учебным планам для науки о данных и технологий больших данных в медицинских колледжах, а также профессиональные основные курсы или факультативные курсы для медицинских работников.Исходя из этого, его также можно использовать в качестве учебного материала для продвинутых уровней или курсов расширения для продвинутых уровней медицинских специалистов, таких как клинические, стоматологические, медицинские технологии, инспекция, видео и общественное здравоохранение.
Первый1Глава машинное обучение1
1.1Введение в машинное обучение1
1.1.1Концепция машинного обучения1
1.1.2Применение машинного обучения1
1.2Универсальное процесс машинного обучения2
1.2.1Целевой анализ2
1.2.2Подготовка данных3
1.2.3Функциональная инженерия4
1.2.4Обучение и настройка модели5
1.2.5Измерение производительности и применение модели6
1.3 PythonВведение в библиотеку инструментов машинного обучения6
1.3.1Библиотека инструментов, связанная с подготовкой данных6
1.3.2Библиотека инструментов, связанных с визуализацией данных7
1.3.3Обучение модели и оценка библиотеки инструментов8
краткое содержание9
Упражнение после класса.10
Первый 2Глава подготовка данных.12
2.1Проверка качества данных.12
2.1.1Проверка последовательности.12
2.1.2Значение -лост -проверка.15
2.1.3Аномальные значения.17
2.2Распределение данных и исследование тенденций.18
2.2.1Распределенный анализ.18
2.2.2Сравнительный анализ.22
2.2.3Описательный статистический анализ.25
2.2.4Циклический анализ.28
2.2.5Анализ вкладов.29
2.2.6Корреляционный анализ.31
VIII
2.3Очистка данных.35
2.3.1Отсутствие ценного лечения.35
2.3.2Ненормальная ценность.38
2.4Слияние данных.39
2.4.1Стек данных.39
2.4.2Первичное слияние ключа.43
краткое содержание.45
Упражнение после класса.45
Первый 3Zhang Special Culture Project.48
3.1Преобразование функции.48
3.1.1стандартизация.48
3.1.2Кодирование.54
3.1.3Дискретный.55
3.2Выбор функций.58
3.2.1Зиджи поиск и оценка.58
3.2.2Выбор фильтра.59
3.2.3Выбор пакта.59
3.2.4Встроенный выбор иL1Фан -цифровой регуляризация.60
3.2.5Менее разреженное представление и обучение в словаре.61
краткое содержание.63
Упражнение после класса.63
Первый 4Главы надзора и обучения.66
4.1Введение в обучение надзору.66
4.2Измерение производительности.66
4.2.1Классифицированное измерение производительности задачи.66
4.2.2Вернуться к измерению производительности задачи.68
4.3Линейная модель.69
4.3.1Введение в линейную модель.69
4.3.2Линейная регрессия.69
4.3.3Логическая регрессия.72
4.4 kСоседняя категория.75
4.5Древо решений.78
4.5.1Введение дерева решений.78
4.5.2 ID3алгоритм.79
4.5.3 C4.5алгоритм.81
4.5.4 CARTалгоритм.83
4.6Поддержка векторных машин.86
4.6.1Поддержка вектора профиля машины.86
4.6.2Линейная векторная машина.87
4.6.3Не -линейная векторная машина поддержки.91
4.7Парк Байес.94
4.8Нейронные сети.98
4.8.1Нейронная сеть введение.98
4.8.2 BPНейронные сети.99
4.9Интегрированное обучение104
4.9.1 Bagging 104
4.9.2 Boosting 106
4.9.3 Stacking 115
краткое содержание116
Упражнение после класса116
Первый 5Чжан Вуцян118
5.1Введение в неконтролируемое обучение118
5.2Сокращение размерности118
5.2.1 PCA 118
5.2.2Нуклеизированное снижение линейного размера121
5.3Кластер123
5.3.1Индекс измерения производительности поэзии124
5.3.2Расчет расстояния125
5.3.3Прототип кластер126
5.3.4Кластер плотности137
5.3.5Кластер слоя139
краткое содержание142
Упражнение после класса142
Первый 6Уматная рекомендация Чжан144
6.1Интеллектуальная рекомендация144
6.1.1Рекомендуемая система144
6.1.2Умная рекомендательная приложение144
6.2Рекомендовать измерение производительности системы146
6.2.1Индекс оценки эксперимента в автономном режиме146
6.2.2Индикатор оценки опроса пользователя148
6.2.3Индекс оценки онлайн -эксперимента149
6.3Рекомендуемая технология на основе связанных правил149
6.3.1Правила ассоциации и частые предметы150
6.3.2 Aprioriалгоритм150
6.3.3 FP-Growthалгоритм154
6.4Рекомендуемая технология на основе совместной фильтрации159
6.4.1Пользовательская совместная фильтрация159
6.4.2Совместная фильтрация предметов163
краткое содержание166
Упражнение после класса167
Первый 7Обнаружение мошенничества в Медицинской страховании Zhang169
7.1Целевой анализ169
7.1.1фон169
7.1.2Данные показывают170
7.1.3Цели анализа171
7.2Подготовка данных172
7.2.1Описательный статистический анализ172
7.2.2Очистка данных172
7.2.3Проанализируйте информацию застрахованных и медицинских учреждений173
7.3Функциональная инженерия177
7.3.1Выбор функций177
7.3.2Преобразование функции178
7.4Обучение модели182
7.5Измерение производительности184
7.5.1Анализ результатов184
7.5.2Классификация188
краткое содержание190
Первый 8Анализ Ассоциации правил китайской медицины -синдрома191
8.1Целевой анализ191
8.1.1фон191
8.1.2Данные показывают191
8.1.3Цели анализа192
8.2Подготовка данных193
8.2.1Сбор данных193
8.2.2Очистка данных195
8.3Функциональная инженерия196
8.3.1Выбор функций196
8.3.2Преобразование функции197
8.4Обучение модели201
8.5Измерение производительности202
8.5.1Анализ результатов203
8.5.2Приложение модели204
краткое содержание204
Первый 9Главы диабета Генетический прогноз риска205
9.1Целевой анализ205
9.1.1фон205
9.1.2Данные показывают206
9.1.3Цели анализа207
9.2Подготовка данных207
9.2.1Исследование данных207
9.2.2Очистка данных209
9.3Функциональная инженерия209
9.4Построение модели211
9.4.1Перекрестная проверка211
9.4.2Обучение модели213
9.5Измерение производительности214
9.5.1Анализ результатов214
9.5.2Оценка модели216
краткое содержание216
Первый 10Тестирование рака уплотнения кожи на основе глубокой остаточной нейронной сети217
10.1Целевой анализ217
10.1.1фон217
10.1.2Описание данных изображения218
10.1.3Метод анализа и процесс219
10.2Предварительная обработка данных изображения219
10.2.1Изображение предварительно обработка219
10.2.2Просмотреть образы обработки222
10.3Построение модели223
10.3.1Сверточная нейронная сеть (CNNПолем223
10.3.2Остаточная сеть (Residual NetworkПолем226
10.3.3 ImageDataGeneratorОписание параметра228
10.3.4Обучение модели глубокой остаточной нейронной сети229
10.4Измерение производительности231
10.4.1Анализ производительности231
10.4.2Анализ результатов232
краткое содержание234
Первый 11Глава TipDMПлатформа моделирования данных для добычи данных для реализации мошеннического обнаружения медицинской страховки236
11.1 TipDMПлатформа моделирования данных236
11.1.1титульная страница237
11.1.2источник данных238
11.1.3проект239
11.1.4Системные компоненты240
11.1.5 TipDMЛокализация развертывания платформы моделирования данных241
11.2Быстро построить проект по обнаружению мошенничества для медицинской страховки243
11.2.1получить данные244
11.2.2Подготовка данных247
11.2.3Функциональная инженерия250
11.2.4Обучение модели253
краткое содержание255
Рекомендации256
Sun Liping, заместитель декана и профессор медицинского оборудования в Шанхайском медицинском колледже.Исполнительный член Общества автоматизации Китая, руководителя проекта «Робот -робот по медицинскому обслуживанию конкурса робототехники Китая», человека, отвечающего за проект робота -робота в Китае Кубка Китая Кубка Китая, и руководитель конкурса робота в Китае. ПолемЧлен Сервисного роботизированного профессионального комитета Министерства науки и техники Министерства науки и техники.Информация о здравоохранении Китая и здравоохранение, заместитель секретаря Общества больших данных, генерал Специального комитета по медицинскому и медицинскому здравоохранению.Эксперты группы по стандартизации медицинских устройств искусственного интеллекта.
Наука данных и большие данные, большие данные, интеллектуальное медицинское оборудование и другие специальности в медицинском направлении.
