داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )

توضیحات

داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته است قهرست : فصل اول : مقدمه مقدمه شرح و بیان مسئله هدف تحقیق اهمیت و کاربرد نتایج تحقیق محدودیت تعریف عملیاتی واژگان فصل دوم : مفاهیم داده کاوی تاریخچه موضوع داده کاوی چیست؟ تعاریف داده کاوی تفاوت داده کاوی و آنالیزهای آماری کاربرد های داده کاوی چند مثال در مورد مفهوم داده کاوی مراحل داده کاوی مرحله اول: Business Understanding مرحله دوم: Data Understanding جمع آوری داده ها بحث شرح و توصیف داده ها مرحله سوم: Data Preparation Data selecting :انتخاب داده مرحله چهارم: Modelling مرحله پنجم: Evaluation مرحله ششم: Deployment مفاهیم اساسی در داده کاوی Bagging Boosting MetaLearning عناصر داده کاوی تکنیک های داده کاوی دسته بندی خوشه بندی رگرسیون گیری تجمع وهمبستگی درخت تصمیم گیری الگوریتم ژنتیک شبکه های عصبی مصنوعی گام نهایی فرآیند داده کاوی،گزارش دادن است تکنولوژی های مرتبط با داده کاوی انبار داده OLAP محدودیت ها فصل سوم : کاربرد داده کاوی در پزشکی داده کاوی در عرصه سلامت استراتژی های داده کاوی نمونه هایی از کاربرد داده کاوی در سلامت مقایسه الگوریتم های هوشمند در شناسایی بیماری دیابت دسته بندی کننده Bagging دسته بندی کننده Naïve Bayse دسته بندی کننده SVM دسته بندی کننده Random Forest دسته بندی کننده C فصل چهارم :درخت تصمیم وپیاده سازی نرم افزار وکا اهدااف اصلی درخت های تصمیم گیری دسته بندی کننده گام های لازم برای طراحی یک درخت تصمیم گیری جذابیت درختان تصمیم بازنمایی درخت تصمیم مسائل مناسب برای یادگیری درخت تصمیم مسائل در یادگیری درخت تصمیم اورفیتینگ داده ها انواع روش های هرس کردن عام سازی درخت مزایای درختان تصمیم نسبت به روش های دیگر داده کاوی معایب درختان تصمیم انواع درختان تصمیم درختان رگراسیون الگوریتم ID الگوریتم Idhat االگوریتم id الگوریتم idhat الگوریتم Cart الگوریتم C نرم افزار های داده کاوی نرم افزار WEKA قابلیت های WEKA نرم افزار JMP قابلیت های JMP پیاده سازی نرم افزار وکا پیاده سازی توسط الگوریتم Naïve Bayse پیاده سازی توسط الگوریتم Decision Trees ایجاد مدل رگرسیون ایجاد مدل خوشه بندی پیاده سازی با الگوریتم نزدیک ترین همسایه برگه visualize فصل پنجم:بحث ونتیجه گیری بحث نتیجه گیری پیشنهادات منابع