Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/35713| Назва: | Дослідження контрольованого машинного навчання для прогнозування зараження COVID-19 на основі епідеміологічних наборів даних |
| Інші назви: | Study of controlled machine learning for COVID-19 infecting forecast based on epidemiological datasets |
| Автори: | Квашнін, Дмитро Олександрович Kvashnin, Dmytro |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Квашнін Д. О. Дослідження контрольованого машинного навчання для прогнозування зараження COVID-19 на основі епідеміологічних наборів даних : кваліфікаційна робота освітнього рівня „Бакалавр“ „126 — інформаційні системи та технології“ / Д. О. Квашнін. — Тернопіль : ТНТУ, 2021. — 44 с. |
| Дата публікації: | 25-чер-2021 |
| Дата подання: | 11-чер-2021 |
| Дата внесення: | 5-лип-2021 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Липак, Галина Ігорівна |
| Члени комітету: | Скоренький, Юрій Любомирович |
| УДК: | 004.62 |
| Теми: | COVID-19 COVID-19 аналітичне опрацювання analytical processing дані data дерево рішень decision tree набір set машинне навчання machine learning пандемія pandemic |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена дослідженню методів контрольованого машинного навчання котрі використовуються для прогнозування зараження COVID-19 на основі епідеміологічних наборів даних. Метою даної кваліфікаційної роботи освітнього рівня «Бакалавр» є підвищення рівня поінформованості громадян щодо інфікування COVID-19 шляхом аналітичного опрацювання епідеміологічних наборів даних з використанням методів контрольованого машинного навчання.
В першому розділі кваліфікаційної роботи освітньоого рівня «Бакалавр» проаналізовано предметну область засобів та методів машинного навчання в контексті їх використання для опрацювання відомостей щодо COVID-19. Виконано аналіз літературних джерел.
В другому розділі кваліфікаційної роботи проаналізовано матеріали та методи дослідження. Описано методи контрольованого машинного навчання. Подано аналіз коефіцієнта кореляції. Розглянуто прогнозні моделі щодо зараження COVID-19. Виконано аналіз дерева рішень. Та подано оцінювання результатів. The qualification work is devoted to the study of controlled machine learning methods used to predict COVID-19 infection based on epidemiological data sets. The purpose of this qualification work of the educational level "Bachelor" is to increase the level of awareness of citizens about the infection of COVID-19 by analytical processing of epidemiological data sets using the methods of controlled machine learning. The first section of the qualification work of the educational level "Bachelor" analyzes the subject area of tools and methods of machine learning in the context of their use for processing information on COVID-19. The analysis of literary sources is executed. In the second section of the qualification work the materials and research methods are analyzed. Methods of controlled machine learning are described. The analysis of the correlation coefficient is given. Predictive models for COVID-19 infection are considered. The analysis of the decision tree is performed. And an evaluation of the results is given. |
| Зміст: | ВСТУП 7 1 ПРЕДМЕТНА ОБЛАСТЬ, ЛІТЕРАТУРНІ ДЖЕРЕЛА ТА НАБОРИ ДАНИХ 9 1.1 Аналіз предметної області 9 1.2 Аналіз літературних джерел 13 1.3 Підготовка та попередній аналіз структури наборів даних 16 1.4 Висновок до першого розділу 20 2 ДОСЛІДЖЕННЯ КОНТРОЛЬОВАНОГО МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЗАРАЖЕННЯ COVID-19 НА ОСНОВІ ЕПІДЕМІОЛОГІЧНИХ НАБОРІВ ДАНИХ 21 2.1 Матеріали і методи 21 2.2 Методи контрольованого машинного навчання 22 2.3 Аналіз коефіцієнта кореляції 25 2.4 Прогнозні моделі щодо зараження COVID-19 28 2.5 Аналіз дерева рішень 30 2.6 Оцінювання результатів 31 2.7 Висновок до другого розділу 34 3 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 35 3.1 Долікарська допомога при кровотечах 35 3.2 Допомога при теплових і сонячних ударах 36 3.3 Висновок до третього розділу 38 ВИСНОВКИ 39 ПЕРЕЛІК ДЖЕРЕЛ 40 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/35713 |
| Власник авторського права: | © Квашнін Дмитро Олександрович, 2021 |
| Перелік літератури: | 1 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., & Matsiuk, O. (2020, September). Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 277-280). IEEE. 2 Oleksii Duda, Liliana Dzhydzhora, Oleksandr Matsiuk, Andrii Stanko, Nataliia Kunanets, Volodymyr Pasichnyk, Oksana Kunanets. Mobile Information System for Monitoring the Spread of Viruses in Smart Cities. SISN. 2020; Volume 8: pp. 65 - 70. 3 Duda O., Kunanets N., Matsiuk O., Pasichnyk V., Rzheuskyi A. (2021) Aggregation, Storing, Multidimensional Representation and Processing of COVID-19 Data. In: Shakhovska N., Medykovskyy M.O. (eds) Advances in Intelligent Systems and Computing V. CSIT 2020. Advances in Intelligent Systems and Computing, vol 1293, pp 875-889. Springer, Cham. ISBN978-3-030-63270-0. 4 Chinese diagnosis and treatment plan of COVID-19 patients (The fifth edition). http://www.nhc.gov.cn/yzygj/ s7653p/202002 /3b09 b 894ac 9b420 4a79d b5b89 12d44 40. shtml. 2020. 5 Huang C, et al. (2020) Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet; ahead of print. 6 Lisa EG, Vineet DM. Return of the coronavirus: 2019-nCoV. Viruses. 2020;12(2):135. https ://doi.org/10.3390/v1202 0135. 7 Muhammad LJ, Algehyne EA, Usman SS. Predictive supervised machine learning models for diabetes mellitus. Sn Comput Sci. 2020;1:240. https ://doi.org/10.1007/s4297 9-020-00250 -8. 8 Muhammad LJ, Islam MM, Usman SS, et al. Predictive data mining models for novel coronavirus (COVID-19) infected patients’ recovery. Springer Nat Comput Sci. 2020. https: //doi.org/10.1007/ s4297 9-020-00216 -w. 9 WHO, Key messages and actions for COVID-19 prevention and control in schools, March 2020. 10 Dong L, Hu S, Gao J. Discovering drugs to treat coronavirus disease 2019 (COVID-19). Drug Discov Ther. 2020;14:58–60. 11 https ://www.scien cemag .org/news/2020/05/unpro ven-herba l-remed y-again st-covid -19 could-fuel-drug-resistant-malariascientists. 12 Duda, O., Kunanets, N., Martsenko, S., Matsiuk, O., Pasichnyk, V., Building secure Urban information systems based on IoT technologies. CEUR Workshop Proceedings 2623, pp. 317-328. 2020. 13 Duda, O., et al, Selection of Effective Methods of Big Data Analytical Processing in Information Systems of Smart Cities. CEUR Workshop Proceedings 2631, pp. 68-78. 2020. 14 Haruna AA,. Muhammad LJ, Yahaya BZ, et al. (2019) An improved C4.5 data mining driven algorithm for the diagnosis of coronary artery disease. In: International Conference on Digitization (ICD), Sharjah, United Arab Emirates, pp 48–52. 15 Mathkunti NM, Rangaswamy S. Machine learning techniques to identify dementia. SN Comput Sci. 2020;1:118. https ://doi. org/10.1007/s4297 9-020-0099-4. 16 Rustam F, et al. COVID-19 future forecasting using supervised machine learning models. IEEE Access. 2020. https ://doi. org/10.1109/acces s.2020.29973 11. 17 Rasheed OA, Mohammed E, Iris S et al. (2020) Comparison of supervised machine learning classification techniques in prediction of locoregional recurrences in early oral tongue cancer. Int J Med Inform 136. 18 Dianbo L, Leonardo C, Canelle P et al. (2020) A machine learning methodology for real-time forecasting of the 2019–2020 COVID19 outbreak using Internet searches, news alerts, and estimates from mechanistic models, https ://arxiv .org/abs/2004.04019. 19 Muhammad LJ, et al. Using decision tree data mining algorithm to predict causes of road traffic accidents, its prone locations and time along Kano–Wudil Highway. Int J Database Theory Appl. 2017;10(11):197–208. 20 Daniel R, Schrider A, Kern D. Supervised machine learning for population genetics: a new paradigm. Trend Genet. 2018;34–4:301–12. 21 Adrien PG, Yunpeng G, Gregory M, et al. A comparison of supervised machine learning algorithms for mosquito identification from backscattered optical signals. Ecol Inform. 2020;58:101090. 22 Sadiq H, Muhammad LJ, Yakubu A. Mining social media and DBpedia data using Gephi and R. J Appl Comput Sci Math. 2018;12(1):14–20. 23 Huang GB, Zhu QY, Siew CK. Extreme learning machine: theory and applications. Neurocomputing. 2006;70(1):489–501. 24 Li Y, Hai-Tao Z, Jorge G et al. (2020) A machine learning-based model for survival prediction in patients with severe COVID19 infection medRxiv 2020.02.27.20028027; doi: https://doi.org/https ://doi.org/10.1101/2020.02.27.20028 027. 25 Narin A, Kaya C, Pamuk Z (2020) Automatic detection of coronavirus disease (COVID-19) using X-ray images and deep convolutional neural networks. arXiv 2003.10849 26 Yang Z, Zeng Z, Wang K, et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions. J Thorac Dis. 2020;12(3):165–74. https :// doi.org/10.21037 /jtd.2020.02.64. 27 Ayyoubzadeh SM, Ayyoubzadeh SM, Zahedi H, et al. Predicting COVID-19 incidence through analysis of Google trends data in Iran: data mining and deep learning pilot study. JMIR Public Health Surveill. 2020;6(2):e18828. 28 Gurjit SR, Soltysiak MPM, El Roz H, de Souza CPE, Hill KA, Kari L. Machine learning using intrinsic genomic signatures for rapid classification of novel pathogens: COVID-19 case study, bioRxiv 2020.02.03.932350; doi: https://doi.org/https ://doi. org/10.1101/2020.02.03.93235 0. 29 Edison O, Mei UW, Anthony H et al. (2020) COVID-19 coronavirus vaccine design using reverse vaccinology and machine learning. bioRxiv preprint doi: https://doi.org/https ://doi. org/10.1101/2020.03.20.00014 1. 30 Malik M (2020) Machine learning the phenomenology of COVID-19 from early infection dynamics, https ://arxiv .org/ abs/2003.07602. 31 https ://www.kaggle.com/marianarfranklin/mexico-covid19-clinical-data/metadata. 32 Ahmad IS, Bakar AA, Yaakub MR, et al. A survey on machine learning techniques in movie revenue prediction. SN Comput Sci. 2020;1:235. https ://doi.org/10.1007/s4297 9-020-00249 -1. 33 Asadi H, Dowling R, Yan B, Mitchell P, et al. Machine learning for outcome prediction of acute ischemic stroke post intra-arterial therapy. PLoS ONE. 2014;9:2. 34 Muhammad LJ et al. (2019) Performance evaluation of classification data mining algorithms on coronary artery disease dataset. In: IEEE 9th International Conference on Computer and Knowledge Engineering (ICCKE 2019), Ferdowsi University of Mashhad. 2019. 35 Hussain S et al. (2019) Performance evaluation of various data mining algorithms on road traffic accident dataset. In: Satapathy S, Joshi A. (eds) Information and communication technology for intelligent systems. Smart innovation, systems and technologies, 106. 36 Muhammad LJ, Yahaya BZ, Garba A, et al. Multi query optimization algorithm using semantic and heuristic approaches. Int J Database Theory Appl. 2016;6(9):219. 37 Hearst MA, Dumais ST, Osuna E, Platt J, Scholkopf B. Support vector machines. IEEE Intell Syst Appl. 1998;13(4):18–28. 38 Kaur H, Kumari V. Predictive modeling and analytics for diabetes using a machine learning approach. Appl Comput Inform. 2018. https ://doi.org/10.1016/j.aci.2018.12.004. 39 Deborah JR. How to Interpret a Correlation Coefficient r. Dummies. https ://www.dummi es.com/educa tion/math/stati stics /howto-inter pret-a-corre latio n-coeffi cien t-r/. 40 Muhammad LJ, Garba A, Abba G. Security challenges for building knowledge based economy in Nigeria. Int J Secur Appl. 2015;9(1):119. 41 Muhammad LJ, Garba A, Abba G. Security challenges for building knowledge based economy in Nigeria. Int J Secur Appl. 2015;9(1):119. 42 Muhammad LJ, Garba EJ, Oye ND, et al. On the problems of knowledge acquisition and representation of expert system for diagnosis of coronary artery Disease (CAD). Int J u- and e- Serv Sci Technol. 2018;11(3):50–9. 43 Порядок надання домедичної допомоги постраждалим при рані кінцівки, в тому числі ускладненій кровотечею. https://zakon.rada.gov.ua/laws/show/z0759-14/paran2#n2. 44 Перша допомога при сонячному і тепловому ударах. https://bozhedarivska-selrada.gov.ua/news/1576496951/. |
| Тип вмісту: | Bachelor Thesis |
| Розташовується у зібраннях: | 126 — Інформаційні системи та технології (бакалаври) |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2021_KRB_ST-41_Kvashnin_DO.pdf | 1,69 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора