Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/37921| Назва: | Дослідження алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії |
| Інші назви: | Study of machine learning algorithms for the needs of decision support systems in a pandemic |
| Автори: | Фіголь, Віталій Володимирович Fihol, Vitalii Volodymyrovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Фіголь В. В. Дослідження алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії : кваліфікаційна робота освітнього рівня „Магістр“ „122 – комп’ютерні науки“ / В. В. Фіголь. – Тернопіль : ТНТУ, 2022. – 71 с. |
| Дата публікації: | 27-тра-2022 |
| Дата подання: | 13-тра-2022 |
| Дата внесення: | 27-тра-2022 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Гром’як, Роман Сильвестрович |
| Члени комітету: | Стухляк, Петро Данилович |
| УДК: | 004.9 |
| Теми: | конвеєр conveyor машинне навчання machine learning нейромережа neural network пандемія pandemic прийняття рішень decision making прогнозування forecasting |
| Короткий огляд (реферат): | Кваліфікаційна робота присв’ячена дослідження алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії. В першому розділі кваліфікаційної роботи описано процес пошуку наукових публікацій щодо використання алгоритмів машинного навчання в умовах пандемії. Розглянуто машинне навчання та глибоке навчання для COVID-19. В другому розділі кваліфікаційної роботи проаналізовано показники оцінки використання алгоритмів машинного навчання в умовах пандемії. Подано опис процесу тестування NN в процесі дослідження алгоритмів машинного навчання в умовах пандемії. В третьому розділі кваліфікаційної роботи описано результати ідентифікації ключових біомаркерів. Виконано порівняння прогностичних характеристик алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії. Об’єкт дослідження: процеси аналітичного опрацювання з використанням алгоритмів машинного навчання. Предмет дослідження: методи збирання та аналітичного опрацювання біометричних сутностей для потреб систем підтримки рішень. Qualification work is devoted to machine learning algorithms study for decision support systems needs in a pandemic. The qualification work first section describes the searching process for scientific publications on the machine learning algorithms use in a pandemic. Machine learning and deep learning for COVID-19 are considered. The qualification work second section analyzes the indicators for assessing the machine learning algorithms use in a pandemic. A NN testing process description in the studying machine learning algorithms process in a pandemic is given. The qualification work third section describes identification results of key biomarkers. The prognostic characteristics comparison of machine learning algorithms for decision support systems needs in a pandemic is performed. Object of research: analytical processing using machine learning algorithms processes. Research subject: collection and analytical processing methods of biometric entities for decision support systems needs. |
| Зміст: | ВСТУП 8 1 СТАН ТА ПЕРСПЕКТИВИ ДОСЛІДЖЕНЬ В ГАЛУЗІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ТА ЇХ ВИКОРИСТАННЯ В УМОВАХ ПАНДЕМІЇ 10 1.1 Пандемія COVID-19 10 1.2 Опис процесу пошуку наукових публікацій щодо використання алгоритмів машинного навчання в умовах пандемії 12 1.3 Аналіз стану досліджень щодо використання алгоритмів машинного навчання в умовах пандемії 16 1.4 Машинне навчання та глибоке навчання для COVID-19 20 1.5 Висновок до першого розділу 22 2 ОБЧИСЛЮВАЛЬНИЙ ЕКСПЕРИМЕНТ ДЛЯ ДОСЛІДЖЕННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ В УМОВАХ ПАНДЕМІЇ 23 2.1 Формування та попередня обробка пандемічних наборів даних 23 2.2 Розподіл даних для унікальної сегрегації пацієнтів 24 2.3 Конвеєр машинного навчання для дослідження використання алгоритмів машинного навчання в умовах пандемії 27 2.4 Показники оцінки використання алгоритмів машинного навчання в умовах пандемії 29 2.5 Важливість функції XGBoost для оцінки біомаокерів 30 2.6 Вибір NN-функції для дослідження алгоритмів машинного навчання в умовах пандемії 31 2.7 Навчання NN в процесі дослідження алгоритмів машинного навчання в умовах пандемії 33 2.8 Тестування NN в процесі дослідження алгоритмів машинного навчання в умовах пандемії 34 2.9 Висновок до другого розділу 36 3 АНАЛІЗ РЕЗУЛЬТАТІВ ОБЧИСЛЮВАЛЬНОГО ЕКСПЕРИМЕНТУ ДОСЛІДЖЕННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ В УМОВАХ ПАНДЕМІЇ 37 3.1 Результати ідентифікації ключових біомаркерів 37 3.2 Порівняння прогностичних характеристик алгоритмів машинного навчання для потреб систем підтримки прийняття рішень в умовах пандемії 42 3.3 Ефективність алгоритмів машинного навчання 53 3.4 Висновок до третього розділу 55 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 56 4.1 Організація та перевірка стану охорони праці на підприємстві під час пандемії 56 4.2 Основні принципи і способи забезпечення життєдіяльності 61 ВИСНОВКИ 66 ПЕРЕЛІК ДЖЕРЕЛ 68 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/37921 |
| Власник авторського права: | © Фіголь Віталій Володимирович, 2022 |
| Перелік літератури: | 1 Alyasseri, Zaid Abdi Alkareem, et al. "Review on COVID‐19 diagnosis models based on machine learning and deep learning approaches." Expert systems 39.3 (2022): e12759. 2 Liu Y, Mao B, Liang S, Yang JW, Lu HW, Chai YH, et al. Association between age and clinical characteristics and outcomes of COVID-19. Eur Respir J. (2020) 55:2001112. doi: 10.1183/13993003.01112-2020. 3 Wang K, Zuo P, Liu Y, Zhang M, Zhao X, Xie S, et al. Clinical and laboratorypredictors of in-hospital mortality in patients with COVID-19: a cohort study in Wuhan, China. Clin Infect Dis. (2020) 71:2079–88. doi: 10.1093/cid/ciaa538. 4 Arpaci I, Huang S, Al-Emran M, Al-Kabi MN, Peng M. Predictingthe COVID-19 infection with fourteen clinical features using machine learning classification algorithms. Multim Tools Appl. (2021) 80:11943–57. doi: 10.1007/s11042-020-10340-7. 5 Wan Y, Zhou H, Zhang X. An interpretation architecture for deep learningmodels with the application of COVID-19 diagnosis. Entropy. (2021) 23:204. doi: 10.3390/e23020204. 6 Imran A, Posokhova I, Qureshi HN, Masood U, Riaz MS, Ali K, et al. AI4COVID-19: AI enabled preliminary diagnosis for COVID-19 from cough samples via an app. Inform Med Unlock. (2020) 20:100378. doi: 10.1016/j.imu.2020.100378. 7 Silverstein J. Most of the World Doesn’t Have Access to X-Rays. The Atlantic. (2018). Available online at: https://www.theatlantic.com/health/archive/2016/ 09/radiology-gap/501803/. 8 Lu J, Hu S, Fan R, Liu Z, Yin X, Wang Q, et al. ACP risk grade: asimple mortality index for patients with confirmed or suspected severe acute respiratory syndrome coronavirus 2 disease (COVID-19) during the early stage of outbreak in Wuhan, China. MedRxiv [Preprint]. (2020). doi: 10.1101/2020.02.20.20025510. 9 Gemmar P. An interpretable mortality prediction model for COVID19 patients-alternative approach. MedRxiv [Preprint]. (2020). doi: 10.1101/2020.06.14.20130732. 10 Chowdhury MEH, Rahman T, Khandakar A, Al-Madeed S, Zughaier SM,Doi SM, et al. An early warning tool for predicting mortality risk of covid-19 patients using machine learning. arXiv preprint arXiv:2007.15559. (2020). 11 Shang Y, Liu T, Wei Y, Li J, Shao L, Liu M, et al. Scoring systems for predicting mortality for severe patients with COVID-19. EClinicalMedicine. (2020) 24:100426. doi: 10.1016/j.eclinm.2020.100426. 12 Xie J, Hungerford D, Chen H, Abrams ST, Li S, Wang G, et al. Developmentand external validation of a prognostic multivariable model on admission for hospitalized patients with COVID-19. medRxiv [Preprint]. (2020). doi: 10.1101/2020.03.28.20045997. 13 Jimenez-Solem E, Petersen TS, Hansen C, Hansen C, Lioma C, Igel C,et al. Developing and validating COVID-19 adverse outcome risk prediction models from a bi-national european cohort of 5594 patients. Sci Rep. (2021) 11:3246. doi: 10.1038/s41598-021-81844-x. 14 Bolourani S, Brenner M, Wang P, McGinn T, Hirsch JS, Barnaby D, et al. Amachine learning prediction model of respiratory failure within 48 hours of patient admission for COVID-19: model development and validation. J Med Intern Res. (2021) 23:e24246. doi: 10.2196/24246. 15 Yan L, Zhang HT, Yuan Y. An interpretable mortality prediction model for COVID-19 patients. Nat Mach Intell. (2020) 2:283–8. doi: 10.1038/s42256-020-0180-7. 16 Hansen LK, Salamon P. Neural network ensembles. IEEE Trans Pattern Anal Mach Intell. (1990) 12:993–1001. 17 Karthikeyan, Akshaya, et al. "Machine learning based clinical decision support system for early COVID-19 mortality prediction." Frontiers in public health 9 (2021). 18 Chen T, Guestrin C. Xgboost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2016). p. 785–94. 19 Elith J, Leathwick JR, Hastie T. A working guide to boosted regressiontrees. J Anim Ecol. (2008) 77:802–13. doi: 10.1111/j.1365-2656.2008. 01390.x. 20 Dreiseitl S, Ohno-Machado L. Logistic regression and artificial neural networkclassification models: a methodology review. J Biomed Inform. (2002) 35:352– 9. doi: 10.1016/S1532-0464(03)00034-0. 21 Hosmer DW Jr, Lemeshow S, Sturdivant RX. Applied Logistic Regression. Vol. 398 (Hoboken, NJ: John Wiley & Sons 2013). 22 Rehman A, Khan MA, Mehmood Z, Saba T, Sardaraz M, Rashid M, et al.Microscopic melanoma detection and classification: a framework of pixelbased fusion and multilevel features reduction. Microsc Res Techn. (2020) 83:410–23. doi: 10.1002/jemt.23429. 23 Breiman L. Random forests. Mach Learn. (2001) 45:5–32. doi: 10.1023/A:1010933404324. 24 Khan SA, Nazir M, Khan MA, Saba T, Javed K, Rehman A, et al.Lungs nodule detection framework from computed tomography images using support vector machine. Microsc Res Techn. (2019) 82:1256–66. doi: 10.1002/jemt.23275. 25 Saba T. Computer vision for microscopic skin cancer diagnosis using handcrafted and non-handcrafted features. Microsc Res Techn. (2021). doi: 10.1002/jemt.23686. 26 Чеберячко C., Дерюгін О., Охорона праці на підприємствах в умовах пандемії COVID-19. Охорона праці і пожежна безпека. №9. 2020р. 27 Опара Н.М., Сіромаха М.В. Охорона праці на підприємствах в умовах пандемії COVID-19. Інноваційні аспекти системи безпеки праці, захисту інтелектуальної власності: матеріали VІ Всеукраїнської науково-практичної інтернет-конференції. (м. Полтава, 25-26 березня 2021 р.). Полтава: ПДАА, 2021. С. 95-98. 28 Інструкція з охорони праці потребує змін у зв’язку з пандемією, – наголошує Держпраці. URL: https://www.sop.com.ua/news/2580-nstruktsya-z-ohoroni-prats-potrebu-zmn-u-zvyazku-z-pandemyu-nagoloshu-derjsprats. 29 Проблеми життєдіяльності. URL: https://pidru4niki.com/11800912/bzhd/problemi_zhittyediyalnosti. 30 Основні принципи забезпечення безпечної життєдіяльності. URL: https://studopedia.com.ua/1_58559_osnovni-printsipi-zabezpechennya-bezpechnoi-zhittiediyalnosti.html. 31 Горденко С.І. Основні принципи та методи забезпечення безпеки життєдіяльності людей. «Молодий вчений» • № 9.1 (36.1), вересень, 2016 р. С.54-58. |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| SNnm-61_Fihol_VV.pdf | 3,68 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора