شما اینجایید
خانه > مطالب تگ شده با "هوش مصنوعی"

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت آخر)

هوش‌ مصنوعی با پایتون

کارایی یک طبقه‌بندی کننده

بعد از پیاده‌سازی الگوریتم یادگیری ماشین، باید دریابیم که مدل چقدر مؤثر است. معیارهای سنجش اثربخشی ممکن است مبتنی بر دیتاست و متریک باشند. برای ارزیابی الگوریتم‌های مختلف یادگیری ماشین، می‌توان از معیارهای کارایی مختلف استفاده کرد. به‌عنوان‌مثال فرض کنید اگر از یک طبقه‌بندی کننده

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت پنجم)

هوش‌ مصنوعی با پایتون

 

رگرسیون منطقی: طبقه‌بندی کننده درخت تصمیم‌گیری[1]

یک درخت تصمیم‌گیری درواقع یک فلوچارت درخت دودوئی است که در آن هر گره گروهی از مشاهدات را طبق برخی از متغیرهای ویژگی تقسیم می‌کند. در اینجا ما در حال ساخت طبقه‌بندی کننده درخت تصمیم‌گیری برای پیش‌بینی زن یا مرد بودن

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت چهارم)

هوش‌ مصنوعی با پایتون

   

ماشین‌های بردار پشتیبان (SVM[1])

ماشین بردار پشتیبان (SVM) در اصل یک الگوریتم یادگیری ماشین نظارت‌شده است که می‌تواند برای هر دو روش رگرسیون و طبقه‌بندی استفاده شود. مفهوم اصلی SVM ترسیم هر مورد داده به‌عنوان نقطه‌ای در فضای n بُعدی است به‌طوری‌که هر ویژگی مقدار یک مختصات

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت دوم)

هوش‌ مصنوعی با پایتون

مرحله 4: ساختن مدل

در این مرحله ما در حال ساختن مدل خود هستیم. ما قصد داریم از الگوریتم Naïve Bayes برای ساخت مدل استفاده کنیم. از دستورات زیر می‌توان برای ساخت مدل استفاده کرد:

 

from sklearn.naive_bayes import GaussianNB

   

دستور فوق ماژول GaussianNB را import می‌کند. اکنون دستور

هوش مصنوعی با پایتون – بخش پنجم – یادگیری نظارت‌شده : طبقه‌بندی (قسمت اول)

هوش‌ مصنوعی با پایتون

 

در این یخش از آموزش هوش مصنوعی با پایتون ما به پیاده‌سازیِ یادگیری نظارت‌شده – طبقه‌بندی خواهیم پرداخت.

روش طبقه‌بندی یا مدل سعی در نتیجه‌گیری از مقادیر مشاهده‌شده دارد. در مسائل طبقه‌بندی، ما خروجی دسته‌بندی‌شده مانند " سیاه " یا " سفید " و " تدریس "

هوش مصنوعی در پزشکی (بخش آخر)

هوش مصنوعی در پزشکی

   

از نشانگرهای زیستی می‌توان برای شناسایی موارد زیر استفاده کرد:

  1. وجود یک بیماری در سریع‌ترین زمان ممکن – نشانگر بیولوژیکی
  2. خطر گسترش بیماری مریض – نشانگر زیستی خطر
  3. پیشرفت احتمالی یک بیماری – نشانگر پیش‌بینی کننده
  4. این که آیا بیمار به یک

هوش مصنوعی در پزشکی (بخش دوم)

هوش مصنوعی در پزشکی

مرحله 1: اهدافی که با هم مداخله دارند، بیابید

اولین قدم در تولید دارو، شناخت منشأ بیولوژیکی یک بیماری (گذرگاه‌ها) و همچنین مکانیسم‌های مقاومت آن است. سپس باید اهداف خوب (معمولاً پروتئین‌ها) را برای درمان بیماری شناسایی کنید. در دسترس بودن گسترده تکنیک‌ها با توان بالا مانند روش غربالگری

هوش مصنوعی در پزشکی (بخش اول)

هوش مصنوعی در پزشکی

یادگیری ماشین پیشرفت‌های چشمگیری در راندمان دارویی و بیوتکنولوژی داشته است. این مقاله خلاصه 4 برنامه برتر هوش مصنوعی امروز در پزشکی را دربر می‌گیرد.

 

تشخیص بیماری‌ها

 تشخیص صحیح بیماری‌ها سال‌ها آموزش پزشکی را می‌طلبد. حتی پس از آن، تشخیص بیماری اغلب یک روند سخت و زمان‌بر است.

هوش مصنوعی با پایتون، بخش چهارم – آماده‌سازی داده‌ها (قسمت آخر)

هوش‌ مصنوعی با پایتون

مراحل رمزگذاری برچسب

این مراحل را برای رمزگذاری برچسب‌های داده در پایتون دنبال کنید:

مرحله 1: واردکردن پکیج‌های مفید: اگر ما از پایتون استفاده می‌کنیم، این اولین قدم برای تبدیل داده‌ها به قالب خاص یعنی پردازش پیش فرض است. این کار را می‌توان با کدهای زیر انجام داد:

 

هوش مصنوعی با پایتون، بخش چهارم – آماده‌سازی داده‌ها (قسمت سوم)

هوش‌ مصنوعی با پایتون

نرمال‌سازی

این یکی دیگر از تکنیک‌های پردازش داده است که برای اصلاح بردارهای ویژگی استفاده می‌شود. چنین اصلاحی برای اندازه‌گیری بردارهای ویژگی در مقیاس معمول ضروری است. موارد زیر دو نوع نرمال‌سازی است که می‌تواند در یادگیری ماشین مورد استفاده قرار گیرد.

 

نرمال‌سازی L1

همچنین از آن به عنوان

بالا