Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/44471
Назва: Розробка системи автоматизованого пошуку аномалій в результатах медичних досліджень
Інші назви: Development of a system for automated anomaly detection in medical research results
Автори: Дроздов, Віталій Ярославович
Drozdov, Vitaliy
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя
Бібліографічний опис: Дроздов В. Я. Розробка системи автоматизованого пошуку аномалій в результатах медичних досліджень: кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „121 — інженерія програмного забезпечення“ / В. Я. Дроздов. — Тернопіль: ТНТУ, 2023. — 59 с.
Дата публікації: гру-2023
Дата подання: гру-2023
Дата внесення: 6-лют-2024
Видавництво: Тернопільський національний технічний університет імені Івана Пулюя
Країна (код): UA
Місце видання, проведення: Тернопіль
Науковий керівник: Яворська, Євгенія Богданівна
Члени комітету: Никитюк, В'ячеслав В'ячеславович
УДК: 004.9
Теми: 121
інженерія програмного забезпечення
медичні аналізи
алгоритм
ансамблеві методи
виявлення аномалій
Python
машинне навчання
Кількість сторінок: 59
Короткий огляд (реферат): Ціль роботи - розробка алгоритмічного і програмного забезпечення аналізу і візуалізації результатів медичних оглядів У ході дослідження був проведено аналітичний огляд по літературним джерелам з метою уточнення досягнень світовий технологічної науки в галузі, що розглядається; аналіз та візуалізація результатів медичних оглядів; визначення аномалій у результатах медичні дослідження. У результаті дослідження проведено аналіз і візуалізація результатів медичних оглядів; розроблений алгоритм визначення аномалій в результатах медичних досліджень.
The goal of the work is the development of algorithmic and software analysis and visualization of the results of medical examinations In the course of the study, an analytical review of literary sources was conducted inorder to clarify the achievements of world technological science in the field under consideration; analysis and visualization of the results of medical examinations; determination of anomalies in the results of medical research. As a result of the research, an analysis and visualization of the results of medical examinations was carried out; developed an algorithm for determining anomalies in the results of medical research.
Зміст: ВСТУП 7 1. ОСНОВНА ЧАСТИНА 8 1.1 Огляд літератури 8 1.2 Об'єкт і методи дослідження 15 1.2.1. Методи машинного навчання (Machine Learning) 15 1.2.2. Навчaння з вчителем (Supervised learning) 19 1.2.3. Навчання без вчителя (Unsupervised learning) 20 1.2.4.Навчання із частковим залученням вчителя (Semi-Supervised learning ) 20 1.2.6. Глибоке навчання (Deep learning) 21 1.2.7. Ансамблеві методи (Ensemble Methods) 21 2. РОЗРАХУНКИ І АНАЛІТИКА 20 2.1 Вибір програмного забезпечення 23 2.1.1. Використовувані бібліотеки "Python" 23 2.2 Завантаження і попередній аналіз даних 24 2.3 Поділ набору даних на тестову і тренувальну вибірки 24 2.4 Вибір алгоритму класифікації 22 2.4.1 Ізолюючий ліс (Isolation Forest) 25 2.4.4 Ансамблі алгоритмів 28 2.5. Результати проведеного дослідження 32 3. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 38 3.1 Охорона праці 38 3.2. Безпека в надзвичайних ситуаціях 37 ВИСНОВОК 46 ПЕРЕЛІК ВИКОРИСТАНИХ ДЖЕРЕЛ 47 ДОДАТКИ 49
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/44471
Власник авторського права: © Дроздов Віталій Ярославович, 2023
Перелік літератури: 1. Anomaly Detection Principles and Algorithms 2017 Edition
2. Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits(Release)
3. Beginning Anomaly Detection Using Python-Based Deep Learning: With Kerasand PyTorch 1st ed. 2019
4. Outlier Analysis 2nd ed. 2017 Edition
5. Outlier Detection: Techniques and Applications 1st Ed. 2019 Edition
6. Топ-5 мов для машинного навчання [Електронний ресурс]/ З. Стельмах. Електрон. текстові дані. 2019. URL: https://www.itweek.ru/ai/article/detail.php
7. Kaggle [Електронний ресурс] URL:https://ua.wikipedia.org/wiki/Kaggle
8. Scikit-learn.org [Електронний ресурс] URL: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html
9. Scikit-learn.org [Електронний ресурс] URL: https://scikitlearn.org/stable/modules/generated/sklearn.svm.OneClassSVM.html
10. Scikit-learn.org [Електронний ресурс] URL: https://scikitlearn.org/stable/modules/generated/sklearn.covariance.EllipticEnvelope.html
11. Історія розвитку ансамблевих методів класифікації в машинному навчанні (Робота Ю.В. Кашніцького) 2015р.
Тип вмісту: Master Thesis
Розташовується у зібраннях:121 — інженерія програмного забезпечення

Файли цього матеріалу:
Файл Опис РозмірФормат 
dyplom_Drozdov_2023.pdf1,36 MBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора