رکوردهای مرتبط با این شخص

بهبود تشخیص بیماری کبد در داده‌های نامتوازن با استفاده از شبکه عصبی و تکنیک بیش نمونه‌گیری SMOTE (1400) / تولایی ، راضیه، نویسنده

نوع مدرک: متون چاپی سرشناسه تولایی ، راضیه، نویسنده رده‌بندی کنگره : ‭COM soft ‭64 عنوان : بهبود تشخیص بیماری کبد در داده‌های نامتوازن با استفاده از شبکه عصبی و تکنیک بیش نمونه‌گیری SMOTE عنوان موازی : Improving the Diagnosis of Liver Disease in Imbalanced Data Using Neural Network and SMOTE Over-Sampling Technique ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: 85ص شابک/شاپا 24549 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : خیام باشی ، محمدرضا، استاد راهنما توصیفگرها شبکه‌ عصبیPatternNet‌، بیماری کبد، بیش نمونه‌گیری، داده‌های نامتوازن  Artificial Neural Networks, Liver Disease, Over-sampling,Imbalance data. چکیده : تغییرات در سبک زندگی و شیوه زندگی مدرن باعث شده کبد به عنوان بزرگترین اندام درونی با بیماری‌های جدی مواجه باشد. بیماری‌های کبدی متنوع می‌باشند و سطح ابتلا به آن‌ها تاثیر مستقیم در طول درمان و یا عدم درمان‌پذیری آن‌ها دارد. بیماری‌های کبدی در دسته بیماری‌های خاموش و بدون علائم قرار می‌گیرند که عدم تشخیص به موقع و درمان به موقع آن منجر به مرگ بیماران می‌شود. از طرف دیگر گا‌هی عدم دانش و تخصص کافی پزشکان نیز می‌تواند، مانع تشخیص صحیح و درمان به موقع این قبیل بیماری شود. از اینرو محققان به دنبال روش‌هایی هستند که بتوانند به عنوان دستیار پزشکان در تشخیص به موقع این بیماری‌ها موثر واقع گردند. روش‌هایی که تاکنون در این زمینه ارائه شده‌اند غالبا در دسته روش‌های طبقه‌بندی قرار می‌گیرند. یکی از مشکلاتی که اغلب این روش‌ها با آن مواجه هستند نامتوازن بودن داده‌های دنیای واقعی است که منجر به کاهش صحت تشخیص این گروه از روش‌ها می‌شود. در تعداد محدودی از روش‌هایی که برای تشخیص بیماری کبد تاکنون ارائه شده‌اند از روش‌های طبقه‌بندی وزندار برای مواجه با این مشکل و کنترل آن استفاده کرده‌اند، این روش‌ها اگر چه توانسته است تا حدودی مشکل فوق را کنترل کنند اما چندان موفق نبوده‌اند. در این راستا و در جهت رفع چالش فوق در این تحقیق یک روش مبتنی بر شبکه‌های عصبی و تکنیک بیش‌نمونه‌گیری ارائه می‌شود. در این روش از تکنیک بیش‌نمونه گیری SMOTE جهت رفع مشکل داده‌های نامتوازن استفاده شده است و سپس از شبکه عصبی PatternNet با 50 گره مخفی برای تشخیص بیماری کبد از داده‌های اصلاح شده، استفاده شده است. نتایج این روش بر روی پایگاه داده کبد ILPD حاکی از آن است که روش پیشنهاد شده در این تحقیق توانسته است به ترتیب به صحت و دقت 87.03‌% و 92.10‌% دست یابد، که نشان دهنده موفقیت و عملکرد بهتر آن در مقایسه با روش‌های پیشین است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13624 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24549	‭COM soft ‭64	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت