植物病害分类 使用图像数据和神经网络对植物病害进行分类 该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。 使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。 评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├─

Bacterial leaf blight Brown spot Leaf smut 里面包含这三种水稻病害叶片白底图，可以添加数据量

眼病智能识别（ODIR）是一个结构化的眼科数据库，其中包含5,000名年龄，左眼和右眼的彩色眼底照片以及医生的诊断关键词的患者。该数据集旨在表示由上工医疗技术有限公司从中国不同医院/医疗中心收集的“真实”患者信息集。在这些机构中，眼底图像由市场上的各种相机（例如佳能，蔡司和Kowa）捕获，从而产生不同的图像分辨率。

Heart Disease UCI数据集，关于该数据集的详细信息可以参考文章：https://blog.csdn.net/didi_ya/article/details/120196857

使用机器学习R和发光的心脏疾病预测 庄主：Soham Bakore 使用R和Shiny创建Web应用程序以使用机器学习预测心脏病 我们正在使用三种机器学习算法，分别是朴素贝叶斯（Naive Bayes），支持向量机（SVM）和决策树。 目前，在支持SVM的Shiny Web应用中实现了精度最高的算法。 用户的“登录和注册”模块正在进行中，将很快更新。

Predict-status-of-Chronic-kidney-disease:它由我的代码和csv文件组成

帕金森氏病（PD）是世界上主要的公共卫生疾病之一，其日趋增加，并已对许多国家产生影响。 因此，在疾病早期就进行预测非常重要，因为疾病的症状是在中年或中晚期出现的，因此这对于研究人员来说是一项艰巨的任务。 因此，这项工作着眼于受PD影响的人群的语音清晰度困难症状，并使用各种机器学习技术（例如自适应增强，装袋，神经网络，支持向量机，决策树，随机森林和线性回归）来建立模型。 这些分类器的性能使用各种指标进行评估，例如准确性，接收器工作特性曲线（ROC），灵敏度，精度，特异性。 最后，采用Boruta特征选择技术在预测帕金森氏病的所有特征中找到最重要的特征。

9番茄病害检测与分类（准确度94％） 番茄是印度饮食中不可分割的一部分，这就是为什么在2020财年印度番茄产量超过2100万吨的原因。 但是，如果番茄田受到恶意疾病的保护，甚至会进一步推高这一数字，这将给农民造成金钱和时间方面的严重损失。 为了解决这个问题，我创建了一个深度学习模型，该模型能够识别健康的番茄植物和9种最有害和流行的番茄病，这些病包括细菌斑，早疫病，晚疫病，叶霉病，棕褐色斑病，蜘蛛螨，目标点，黄叶卷曲病毒和番茄花叶病毒。 使用的图书馆 张量流 凯拉斯 脾气暴躁的 大熊猫 Matplotlib 脾气暴躁的 球状 介绍 我创建了一个深度学习模型，该模型可以有效地识别九种番茄疾病。 该模型以常规图层为核心进行特征提取，并使用密集图层进行分类任务。 对模型进行了10个时期的训练，批次大小为574。用于模型训练的数据集是从Kaggle（ ）下载的。 数据可视化 健康 九种疾病

Heart_Disease_Prediction “＃Heart_Disease_Prediction”

kaggle心脏疾病数据集