آموزش پیش بینی سرطان با الگوریتم های یادگیری ماشین در پایتون – پیش ثبت نام

آموزش پیش بینی سرطان با الگوریتم های یادگیری ماشین در پایتون – پیش ثبت نام

با الگوریتم های یادگیری ماشین در پایتون، روش های پیش‌بینی سرطان را بررسی کرده و با پیاده سازی عملی، تحلیل داده های پزشکی و ساخت مدل های هوشمند آشنا می شویم.

توضیحات کامل دوره

پیش‌بینی بیماری‌ها با استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning)، یکی از کاربردهای مهم و تاثیرگذار هوش مصنوعی (Artificial Intelligence) در حوزه پزشکی است. در این آموزش، با...

پیش‌بینی بیماری‌ها با استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning)، یکی از کاربردهای مهم و تاثیرگذار هوش مصنوعی (Artificial Intelligence) در حوزه پزشکی است. در این آموزش، با مجموعه داده‌ Breast Cancer Wisconsin کار و قدم‌به‌قدم آن را تحلیل و بررسی می‌کنیم.

ابتدا داده‌ها را بررسی و توزیع آن‌ها را مصورسازی (Visualization) می‌کنیم و به تحلیل روابط بین ویژگی‌ها (Feature) و خروجی می‌پردازیم. سپس همبستگی (Correlation) بین ویژگی‌ها را با معیارهای مختلف، از جمله ضریب همبستگی چترجی (Chatterjee Rank Correlation) مطالعه می‌کنیم. پس از تقسیم داده‌ها، مدل‌های مختلف از روش‌های خطی ساده (Linear) تا الگوریتم‌های یادگیری ماشین و شبکه عصبی مصنوعی (Artificial Neural Network) را پیاده‌سازی می‌کنیم و در نهایت با معیارهای مختلف عملکرد مدل‌ها را مقایسه و ارزیابی خواهیم کرد.

این آموزش ادامه‌ مسیر آموزش‌های قبلی در حوزه کاربر یادگیری ماشین در علوم پزشکی است و به شما کمک می‌کند تا علاوه بر درک بهتر از روند تحلیل داده‌های پزشکی، با مدل‌های پیشرفته‌تر و روش‌های ارزیابی کاربردی نیز آشنا شوید.

  • فصل یکم: مقدمه و معرفی پروژه
    • درس ۱: معرفی اهمیت یادگیری ماشین در پزشکی
    • درس ۲: معرفی مجموعه داده و اهمیت مسئله
  • فصل دوم: آشنایی و تحلیل اولیه داده‌ها
    • درس ۳: بررسی فایل‌ها و ساختار داده
    • درس ۴: بررسی متغیر هدف و ویژگی‌ها
  • فصل سوم: مصورسازی و تحلیل داده‌ها
    • درس ۵: بررسی توزیع ویژگی‌ها
    • درس ۶: بررسی همبستگی ویژگی‌ها با یکدیگر
    • درس ۷: معرفی و پیاده‌سازی ضریب همبستگی چترجی
  • فصل چهارم: پیش‌پردازش داده‌ها
    • درس ۸: تقسیم داده
    • درس ۹: نرمال‌سازی و استانداردسازی
    • درس ۱۰: وزن‌دهی به نمونه‌ها
  • فصل پنجم: مدل‌سازی و پیاده‌سازی الگوریتم‌ها
    • درس ۱۱: رگرسیون لجستیک (Logistic Regression)
    • درس ۱۲: k-نزدیک‌ترین همسایه (k-Nearest Neighbors)
    • درس ۱۳: درخت تصمیم و جنگ تصادفی (Decision Tree and Random Forest)
    • درس ۱۴: ماشین بردار پشتیبان (Support Vector Machine)
    • درس ۱۵: ذخیره و فراخوانی مدل‌ها
  • فصل ششم: ارزیابی مدل‌ها
    • درس ۱۶: بررسی معیارهای ارزیابی
    • درس ۱۷: بررسی نمودارهای ارزیابی
    • درس ۱۸: ذخیره نتایج

سرفصل‌های دوره

این دوره سرفصلی ندارد

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1 تومان

این دوره شامل:
0:0:0 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:41:04
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: