پروژه هوش مصنوعی در تشخیص دیابت2 دقیقه مطالعه

هدیه فنولوژی به شما!

به پروژه هوش مصنوعی در تشخیص دیابت خوش آمدید! در این پروژه جذاب و جدید در فنولوژی، قصد داریم کاربرد هوش مصنوعی و یادگیری ماشین در صنایع پزشکی و حوزه‌‌های مربوط به سلامت رو بررسی کنیم. به طور کلی هدفمون اینه که شما رو با انواع کاربردهای هوش مصنوعی در پزشکی آشنا کنیم. هوش مصنوعی در مراحل مختلف پیشگیری، تشخیص و درمان بیماری کاربرد دارد. در این پروژه به طور خاص دست روی مرحله تشخیص بیماری دیابت گذاشته‌ایم. با ما همراه باشید.

محتوا پنهان‌سازی

1. شروع کار با پروژه هوش مصنوعی در تشخیص دیابت

2. دانلود دیتاست پروژه تشخیص دیابت

3. معرفی پارامترهای دیتاست

4. هدف و چالش‌های پروژه

5. پیشنیازها و منابع پیشنهادی قبل از شروع پروژه

6. ویدئوی آموزشی پروژه

شروع کار با پروژه هوش مصنوعی در تشخیص دیابت

در این جا همون‌طور که گفتیم بر اساس یه سری ویژگی‌ها که پایین تر توضیح دادیم میخوایم تشخیص بدیم که یک فرد دیابت داره یا نه! اما چالش‌هایی که داریم چیه‌؟ شاید با روش های کلاسیک نتونیم دقت خوبی بگیریم و این مارو مجبور به یادگیری و استفاده از شبکه‌های عصبی و به صورت کلی deep learning بکنه که این خیلی خوبه و میتونه دستمون رو در استفاده از الگوریتم‌های هوشمندتر باز کنه!شاید یه سری ویژگی‌ها به درد ما نمی‌خوره و داره دیتاست رو نابود می‌کنه و یا تاثیر چندانی توی روند یادگیری نداره که باید با در نظر گرفتن شرایط مسئله خودتون داده‌ها رو تمیز و مرتب کنید.

دانلود دیتاست پروژه تشخیص دیابت

برای انجام این پروژه مثل همه پروژه‌های هوش مصنوعی نیاز به یک دیتاست دارید. در این پروژه می‌تونید دیتاست مورد نظر رو به راحتی با تکمیل فرم زیر از سایت فنولوژی دانلود کنید.

بخوانید: فناوری تشخیص چهره چیست؟ + پیاده‌سازی با پایتون

معرفی پارامترهای دیتاست

Pregnancies = تعداد دفعات بارداری

Glucose = غلظت گلوکز پلاسما

BloodPressure = فشار خون بر حسب میلیمتر جیوه

SkinThickness = ضخامت چین خوردگی پوست سر برحسب میلی متر

Insulin = مقدار انسولین سرمی در ۲ ساعت

BMI = شاخص توده بدنی

DiabetesPedigreeFunction = عملکرد شجره نامه دیابت

Age = سن

Outcome = مبتلا بودن یا نبودن به دیابت

هدف و چالش‌های پروژه

ما باید ذهنمون رو آزاد کنیم و از هر روشی که به نظرمون میتونه کمک کننده باشه برای گرفتن یه دقت خوب استفاده کنیم. روش‌هایی مثل dimensionality reduction (کاهش بعد) و cross validation و کلی راه های دیگه و اینو یادمون نره که اول از هرکاری زدن یه EDA خوب روی دیتا خیلی میتونه مارو آگاه‌تر کنه نسبت به دیتاست که اگه بلد نیستید چطور می‌تونید روی یه دیتاست EDA بزنید توصیه می‌کنیم حتما پروژه دانشمند داده در تایتانیک فنولوژی رو بررسی کنید.

پیشنیازها و منابع پیشنهادی قبل از شروع پروژه

برای انجام پروژه می‌تونید از مطالب زیر در سایت فنولوژی استفاده کنید. همچنین داخل گروه تلگرام پروژه‌های هوش مصنوعی فنولوژی می‌تونید سوالاتتون رو مطرح کنید. (برای عضویت روی بنر عضویت در بالا کلیک کنید)

هوش مصنوعی چیست و چه کاربردی دارد؟

دوره آموزش پایتون مقدماتی

دوره آموزش کتابخانه numpy

ویدیو آشنایی با کتابخانه‌های یادگیری ماشین در پایتون