東華大學圖書館 |

語系: 繁體中文

說明(常見問題)

回圖書館首頁

手機版館藏查詢

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

FindBook

Google Book

Amazon

博客來

Diabetes Diagnonis Using Machine Learning.

紀錄類型:	書目-電子資源 : Monograph/item
正題名/作者:	Diabetes Diagnonis Using Machine Learning./
作者:	Mamandra, Eleni
面頁冊數:	1 online resource (87 pages)
附註:	Source: Masters Abstracts International, Volume: 84-03.
Contained By:	Masters Abstracts International84-03.
標題:	Young adults. -
電子資源:	http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=29294879click for full text (PQDT)
ISBN:	9798845726056

Diabetes Diagnonis Using Machine Learning.
Mamandra, Eleni

Diabetes Diagnonis Using Machine Learning. - 1 online resource (87 pages)

Source: Masters Abstracts International, Volume: 84-03.

Thesis (M.Sc.)--University of Piraeus (Greece), 2022.

Includes bibliographical references

Η ανάπτυξη της τεχνολογίας και της επιστήμης των δεδομένων έχει προσφέρει σημαντική βοήθεια στον τομέα της ιατρικής και ακόμα περισσότερο στην πρόβλεψη νοσημάτων για την έγκαιρη και αποτελεσματική αντιμετώπισή τους. Η παρούσα διπλωματική εργασία έχει ως στόχο τη μελέτη της διάγνωσης του διαβήτη με χρήση τεχνικών μηχανικής μάθησης. Πιο συγκεκριμένα, αποτελεί μια μελέτη σύγκρισης αλγορίθμων μηχανικής μάθησης, ώστε να βρεθεί αυτός που προσφέρει την πιο ακριβή πρόβλεψη. Για τον σκοπό αυτό, χρησιμοποιήθηκε μια βάση δεδομένων ευρέως γνωστή στην επιστημονική βιβλιογραφία για την πρόβλεψη διαβήτη, η βάση Pima Indians Diabetes, όπου περιέχει δεδομένα και μετρήσεις που βοηθούν στην ανίχνευση του διαβήτη τύπου 2. Χρησιμοποιώντας την παραπάνω βάση δεδομένων, πραγματοποιήθηκε μοντελοποίηση με τη χρήση πλήθος κατάλληλων αλγορίθμων καθώς και υπολογισμός ικανών μέτρων αξιολόγησης για την σύγκρισή τους, με τελικό στόχο την ανάδειξη του βέλτιστου αλγορίθμου.

Electronic reproduction.
Ann Arbor, Mich. :
ProQuest,
2023

Mode of access: World Wide Web

ISBN: 9798845726056Subjects--Topical Terms:

598212
Young adults.
Index Terms--Genre/Form:

542853
Electronic books.

Diabetes Diagnonis Using Machine Learning.
LDR:04203nmm a2200445K 4500 001 2356465
005 20230612110829.5
006 m o d
007 cr mn ---uuuuu
008 241011s2022 xx obm 000 0 eng d
020 $a 9798845726056
035 $a (MiAaPQ)AAI29294879
035 $a (MiAaPQ)Piraeus14226
035 $a AAI29294879
040 $a MiAaPQ $b eng $c MiAaPQ $d NTU
066 $c (S
100 1 $6 880-01 $a Mamandra, Eleni $3 3696937
245 1 0 $a Diabetes Diagnonis Using Machine Learning.
264 0 $c 2022
300 $a 1 online resource (87 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Masters Abstracts International, Volume: 84-03.
500 $a Advisor: Πρέντζα, Ανδριάνα ; Prentza, Andriana.
502 $a Thesis (M.Sc.)--University of Piraeus (Greece), 2022.
504 $a Includes bibliographical references
520 $a Η ανάπτυξη της τεχνολογίας και της επιστήμης των δεδομένων έχει προσφέρει σημαντική βοήθεια στον τομέα της ιατρικής και ακόμα περισσότερο στην πρόβλεψη νοσημάτων για την έγκαιρη και αποτελεσματική αντιμετώπισή τους. Η παρούσα διπλωματική εργασία έχει ως στόχο τη μελέτη της διάγνωσης του διαβήτη με χρήση τεχνικών μηχανικής μάθησης. Πιο συγκεκριμένα, αποτελεί μια μελέτη σύγκρισης αλγορίθμων μηχανικής μάθησης, ώστε να βρεθεί αυτός που προσφέρει την πιο ακριβή πρόβλεψη. Για τον σκοπό αυτό, χρησιμοποιήθηκε μια βάση δεδομένων ευρέως γνωστή στην επιστημονική βιβλιογραφία για την πρόβλεψη διαβήτη, η βάση Pima Indians Diabetes, όπου περιέχει δεδομένα και μετρήσεις που βοηθούν στην ανίχνευση του διαβήτη τύπου 2. Χρησιμοποιώντας την παραπάνω βάση δεδομένων, πραγματοποιήθηκε μοντελοποίηση με τη χρήση πλήθος κατάλληλων αλγορίθμων καθώς και υπολογισμός ικανών μέτρων αξιολόγησης για την σύγκρισή τους, με τελικό στόχο την ανάδειξη του βέλτιστου αλγορίθμου.
520 $a The increase of technology and data science has provided significant development in the field of medicine and even more in the prediction of diseases for their timely and effective treatment. The present thesis aims to study diabetes diagnosis using machine learning techniques. More specifically, it is a study focuses on comparing machine learning algorithms as to conclude to the one that provide the most accurate prediction. For this purpose, a database widely known in the scientific bibliography for the prediction of diabetes was used, the Pima Indians Diabetes database, which contains data and measurements that help detect type 2 diabetes. Using the abovementioned database, modeling phase is performed with a number of appropriate algorithms and calculation of sufficient evaluation measures aiming to find out the optimal prediction algorithm.
533 $a Electronic reproduction. $b Ann Arbor, Mich. : $c ProQuest, $d 2023
538 $a Mode of access: World Wide Web
650 4 $a Young adults. $3 598212
650 4 $a Womens health. $3 3562508
650 4 $a Discriminant analysis. $3 560438
650 4 $a Neural networks. $3 677449
650 4 $a Support vector machines. $3 2058743
650 4 $a Medical research. $2 bicssc $3 1556686
650 4 $a Cardiovascular disease. $3 3564561
650 4 $a Blended learning. $3 615697
650 4 $a Algorithms. $3 536374
650 4 $a Clustering. $3 3559215
650 4 $a Insulin. $3 3206757
650 4 $a Decision trees. $3 827433
650 4 $a Probability distribution. $3 3562293
650 4 $a Data compression. $3 3681696
650 4 $a Disease control. $3 3562653
650 4 $a Computer science. $3 523869
650 4 $a Mathematics. $3 515831
650 4 $a Medicine. $3 641104
650 4 $a Pharmaceutical sciences. $3 3173021
650 4 $a Public health. $3 534748
650 4 $a Statistics. $3 517247
655 7 $a Electronic books. $2 lcsh $3 542853
690 $a 0800
690 $a 0984
690 $a 0338
690 $a 0405
690 $a 0564
690 $a 0572
690 $a 0573
690 $a 0463
710 2 $a ProQuest Information and Learning Co. $3 783688
710 2 $a University of Piraeus (Greece). $3 3690333
773 0 $t Masters Abstracts International $g 84-03.
856 4 0 $u http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=29294879 $z click for full text (PQDT)
880 1 $6 100-01/(S $a Μαμάνδρα, Ελένη