| نوع مدرک: | متون چاپی |
| سرشناسه | آقا محمودیان اصفهانی ، فرزانه، نویسنده |
| رده‌بندی کنگره : | COM soft 67 |
| عنوان : | ارائه یک مدل تشخیص دیابت مبتنی بر شبکه‌های عصبی عمیق بازگشتی و افزایش داده |
| عنوان موازی : | Presenting a Diabetes Diagnosis Model Based on Recurrent Deep Neural Networks and Augmented Data |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1401 |
| صفحه شمار: | 81ص |
| شابک/شاپا | 24719 |
| یادداشت | پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار |
| شناسه افزوده : | نعمت بخش ، ناصر، استاد راهنما |
| توصیفگرها | تشخیص دیابت، شبکه عصبی بازگشتی، بیش نمونه‌گیری، داده‌های پرت، یادگیری ماشین Diabetes Diagnosis, Recurrent Neural Network, Oversampling, Outlier Data, Machine Learning |
| چکیده : | دیابت، به گروهی از اختلالات متابولیکی گفته می‌شود که نتیجه عدم کنترل قند خون است. دیابت سالانه باعث مرگ افراد زیادی می‌شود و آمار ابتلا به آن در سال‌های اخیر بدلیل سبک زندگی مدرن به شدت افزایش یافته است. تشخیص به موقع و در ادامه کنترل این بیماری به خوبی باعث کاهش اثرات ناشی از آن مثل رتینوپاتی دیابتی، گرفتگی قلبی و عروقی سکته های مغزی و غیره می‌شود. بنابراین، ارائه روشی برای تشخیص به موقع این بیماری از اهمیت بالایی برخوردار است. محققان تا به امروز تلاش‌های بسیاری برای ارائه روش های یادگیری ماشین جهت تشخیص دیابت کرده‌اند. اما اغلب این مدل‌ها یا مبتنی بر روش‌های یادگیری ماشین ساده مثل بردار پشتیبان هستند و یا بر این فرض استوار هستند که داده‌های دیابت در دسترس متوازن هستند؛ که هر دو مورد، از عوامل عدم موفقیت کامل آن‌ها محسوب می‌شود. از اینرو با توجه به چالش‌های موجود و همچنین اهمیت تشخیص به موقع بیماری دیابت، در این تحقیق یک مدل تشخیص بیماری دیابت مبتنی بر شبکه های عصبی بازگشتی عمیق و الگوریتم بیش نمونه‌گیری SMOTE ارائه شده است. در این مدل برای بهبود تشخیص دیابت چندین مرحله پیش پردازش شامل مقدار دهی به مقادیر از دست رفته، حذف داده‌های پرت و سپس بیش نمونه‌گیری انجام شده است. برای تشخیص دیابت نیز از سه شبکه عصبی عمیق بازگشتی با سه واحد پنهان بازگشتی شامل LSTM, GRU و BiLSTM استفاده شده است. نتایج مدل ارائه شده بر روی پایگاه داده Pima دریافت شده از مخزن UCI حاکی از آن است که میانگین صحت در 10 اجرای مختلف در LSTM و GRU و BiLSTM به ترتیب 91.21 % ، 89.61 و 90.99% است. شبکه عصبی بازگشتی با واحد پنهان GRU بطور میانگین در 10 اجرای مختلف توانسته به بیشترین دقت برابر با 93.74% دست یابد. نتایج مدل بازگشتی مطرح شده نشان می‌دهد، شبکه‌های عصبی عمیق در مقایسه با روش‌های یادگیری ماشین سنتی در تشخیص دیابت عملکرد بسیار موفق‌تری دارند |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13785 |
| زبان مدرک : | فارسی |
ارائه یک مدل تشخیص دیابت مبتنی بر شبکه‌های عصبی عمیق بازگشتی و افزایش داده (1401) / آقا محمودیان اصفهانی ، فرزانه، نویسنده