心脏疾病分类器 使用多种ML算法（包括神经网络）的心脏病分类器！

heart_disease_prediction 欢迎来到我的第三个存储库。 这次，我将分享迄今为止最详细的笔记本（用Python 3.6编写），在其中我将对有趣的数据集进行端到端分析。 里面有一些漂亮的情节和描述。 我希望您会喜欢本演练。

使用机器学习技术预测肝炎疾病 内容 1.简介2.属性3.框图4.算法和分类器5.获得的结果6.结论 介绍 医学诊断是一项重要且非常复杂的任务，需要准确识别。 重要的是要在适当的时间诊断出疾病并尽早治愈。 肝脏是人体的重要组成部分。 影响肝功能的严重疾病之一是肝炎，它会引起肝脏炎症。 这项工作的主要目的是通过使用不同的ML工具和神经网络体系结构训练同一数据集，并选择那些诊断肝炎疾病的最佳工具来对特定数据集进行比较研究。 属性 属性 价值 年龄 否（1），是（2） 数值 否（1），是（2） 性别 否（1），是（2） 男（1），女（2） 否（1），是（2） 类固醇 否（1），是（2）v 大肝 否（1），是（2） 肝脏公司 否（1），是（2） 蜘蛛网 否（1），是（2） 抗病毒药 否（1），是（2） 疲劳 否（1），是（2） 马拉丝 否（1），是（2） 脾可触及 否

深度学习是机器学习的一个子集，旨在用类似于人类的逻辑持续分析数据。 它使用称为人工神经网络 (ANN) 的算法的分层结构。 它们主要用于医学诊断，以做出疾病预测、机器人手术和放射治疗等关键决策。 疾病预测包括识别和分类阿尔茨海默病。 它是痴呆症的最常见原因，影响全球约 4600 万人。 该病有几个阶段，分为轻度和重度。 症状包括记忆信息的能力下降、口语和写作能力下降。 许多机器学习算法技术如决策树分类器、独立分量分析、线性判别分析（LDA）被用来根据疾病的阶段预测疾病，但识别信号阶段的精度并不高。 在这项工作中，提出了一种基于深度学习的技术，该技术通过使用卷积神经网络 (CNN) 来提高分类的准确性。 这项工作分析脑电图 (EEG) 信号，使用快速傅立叶变换 (FFT) 提取特征并通过 CNN 对疾病进行分类。

植物病害检测仪 由和创建 我在中的 在经过预处理的数据集上训练模型，可以在下载。 本地设置 当地的： 建议在虚拟环境中设置项目，以保持依赖关系分离。 激活您的虚拟环境。 通过运行pip install -r requirements.txt安装依赖项。 通过运行python app/server.py serve启动服务器。 访问进行探索和测试。 码头工人： 确保Docker已安装在您的本地计算机中。 了解如何安装Docker 。 苹果电脑： $ git clone https://github.com/imskr/Plant_Disease_Detection.git $ cd Plant_Disease_Detection $ docker build -t fastai-v3 . $ docker run --rm -it -p 8080:8080 fastai-v3

叶病检测 使用预先训练的深度学习架构（即VGG16网络），通过PlantVillage数据集中的图像对农作物病害进行分类。 该模型是通过回调实现的-提前停止，降低高原学习率和模型检查点。 对于VGG16 net，使用70295张图像的分类精度约为95％。 通过修改图像数量，设置各种批处理大小以及更改权重和偏差学习率来评估模型的性能。 图像数量极大地影响了模型的性能。 在至少95％的时间正确识别出农作物病害的情况下，我们可以渴望帮助我们的农民及早发现农作物感染。 这将帮助他们计划比他们之前遵循的技术更有效的耕作技术。 模型的架构图 图形用户界面 运行代码 开放式终端和 步骤1：python3 PRED_API.py 步骤2：CD前端 步骤3：npm i 第4步：启动npm，这将启动基于React的前端 保存的权重存储在best-model.h5中 Model.ipynb具有模型

植物病害分类 植物病害分类的数据集分析和CNN模型优化 如何探索这项工作 阅读或格式的报告。 阅读的代码。 在Kaggle notebook 中运行代码。 扩展摘要 问题 对影响农作物的多种疾病的误诊会导致化学药品的滥用，导致耐药菌病原体的出现，投入成本的增加以及更多爆发，造成重大的经济损失和环境影响。 当前基于人类侦察的疾病诊断既耗时又昂贵，尽管基于计算机视觉的模型有望提高效率，但由于受感染组织的年龄、遗传变异和树木内的光照条件而导致的症状差异很大检测精度。 目标 我们参加的植物病理学挑战包括使用训练数据集的图像训练模型以 准确地将测试数据集中的给定图像分类为不同的患病类别或健康的叶子； 准确区分许多疾病，有时在一片叶子上不止一种； 处理罕见的类别和新的症状； 解决深度感知——角度、光线、阴影、叶子的生理年龄； 结合识别、注释、量化方面的专家知识，引导计算机视觉在学习过

heart_disease_prediction 心脏病UCI数据集 该实验只是根据心脏病的缺席情况简单地预测心脏病的存在。 1.关于数据集： 该数据集在Kaggle（ ）上提供。 并且可以从UCI机器学习存储库（ ）中获得。 数据包含总共14个属性，如下所示。 属性说明 年龄：岁 性别：性别（1 =男性； 0 =女性） cp：胸痛类型 值1：典型心绞痛值2：非典型心绞痛值3：非心绞痛2值：无症状 trestbps：静息血压（入院时以毫米汞柱为单位） 胆汁：血清胆汁，mg / dl fbs ：（空腹血糖> 120 mg / dl）（1 =正确； 0 =错误） restecg：静息心电图结果 值0：正常值1：ST-T波异常（T波倒置和/或ST升高或降低> 0.05 mV）值2：按照Estes的标准显示可能或确定的左心室肥大 丘脑：达到最大心率 exang：运动引起的心绞痛（

seir传染病模型模型Mathimal_Modelling_of_a_Infectious_Disease_Simulation 使一些传染病模型适合于课堂疾病流行模拟，即“握手”疾病。 “握手”疾病是一种模拟疾病，其中该疾病是通过握手传播的。 有关课堂活动的详细信息，请参见以下网页： 。 Anthony和我已经使用Javascript编写了此活动，HTML页面如下： 。 在这个项目中，我将使用ODE（普通微分方程）模型对握手疾病的进展进行建模。 特别是，根据“握手”游戏的性质，我将研究经典SIR模型和SEIR模型对疾病进展的描述程度，并探讨可能更适合他们的变种。 这涉及数学建模，ODE的数值求解以及使用MATLAB进行模型拟合。

B.技术疾病预测项目 通过机器学习和Python开发的疾病预测系统最后一年项目 最终疾病预测项目 通过机器学习和Python开发的疾病预测系统最后一年项目 机器学习-机器学习是一种使分析模型构建自动化的数据分析方法。 它是人工智能的一个分支，其基础是系统可以从数据中学习，识别模式并在最少的人工干预下做出决策。 Scikit-learn（Sklearn）是用于Python中机器学习的最有用和最强大的库。 它通过Python中的一致性接口为机器学习和统计建模提供了一系列有效的工具，包括分类，回归，聚类和降维。 该库主要用Python编写，基于NumPy，SciPy和Matplotlib构建。 该系统通过给定的症状预测不同类型的疾病。 数据集包含4000多种疾病。 您可以在大学和工作中使用此项目 你好呀， 如何运行此项目- 现在通过给我发送邮件，以获取项目报告，PPT，项目代码和简介。