Optimization of heart disease prediction by improving machine learning results without need more data
Başlık çevirisi mevcut değil.
- Tez No: 671662
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Kardiyologların kalp hastalığının% 80'ini doğru bir şekilde tahmin edebildiği biliniyor, ancak eksik olan% 20 Yapay zekanın yardımcı olabileceği yerlerde, yüksek doğruluk elde etme sorunu, ortaya çıkan zorluklardan biridir. makine öğrenimi tekniklerini kullanarak kalp hastalığı tahmin alanındaki herhangi bir geliştiriciyle yüzleşmek, ancak bazen istedikleri türden veriler oldukça maliyetli olabilir veya elde edilmesi zor olabilir. bu araştırma, makine öğrenimi algoritmasını geliştirmeye çalışan yöntemlerden birine odaklanıyor Makinede Hyperparameters optimizasyonunu kullanarak daha fazla veri almaya gerek kalmadan Physionet2017 veri kümesinden elde edilen EKG verilerini sınıflandırmak için öğrenme teknolojisi üç hastalık sınıfı (ARR, CHR, NSR), önerilen yöntemin sınıflandırma doğruluğunda artması (% 88,3), Makine Öğreniminde Hyperparameters optimizasyonunu kullanmaya gerek kalmadan kullandıktan sonra yeni veriler almak.
Özet (Çeviri)
It is known that cardiologists can accurately predict 80% of heart disease, but the missing 20% is where AI can help, the problem of achieving high accuracy is one of the challenges that are facing any developer in the heart disease prediction field by using machine learning techniques, but sometimes the kind of data they want can be quite costly or it might be hard to come by, so this research spotlight on one of the methods that try to enhance machine learning algorithm without the need of getting more data by using Hyperparameters optimization in Machine Learning technology to classify the ECG data that got it from the physionet2017 dataset with three disease class (ARR, CHR, NSR), the proposed method increased in classification accuracy (88.3%) after using Hyperparameters optimization in Machine Learning without the need of getting new data.
Benzer Tezler
- Heart disease prediction project
Kalp hastalıklarını önleme projesi
RUBA AYAD YOUSIF AL-SAMMARRAIE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Gri kurt meta-sezgisel algoritması ve rastgele orman sınıflandırma algoritmalarını birleştirerek koroner kalp hastalığı tanısının doğruluğunun artırılması
Improving the accuracy of diagnosis of coronary heart disease by combining gray wolf meta-heuristic algorithm and random forest classification algorithms
MAYSA KHODAYVERDIAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Medeniyet ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. NİHAT KABAOĞLU
- Sepsis hastalığının derin öğrenme yöntemiyle tahmini
Sepsis disease prediction by deep learning
UMUT KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- Makine öğrenmesi ve öznitelik seçim yöntemleri ile kardiyovasküler hastalıkların tespiti
Prediction of cardiovascular diseases with machine learning and feature selection methods
ŞEYMA İZMİR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA CEM KASAPBAŞI
- Fluid flow in cardiovascular devices and surgical pathways
Kalp-damar cihazlarinda ve cerrahi konstrüksüyonlarda akışkanlar mekaniği
REZA RASOOLI
Doktora
İngilizce
2021
Makine MühendisliğiKoç ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM PEKKAN