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。

使用机器学习进行疾病预测 这个机器学习项目用于根据用户给出的症状来预测疾病。它使用三种不同的机器学习算法进行预测。因此，输出是准确的。它使用tkinter作为GUI。

傅里叶变换三维测量矩阵问题陈述 该项目的目标是实现一种深度学习算法，该算法将单通道手持式ECG设备的心电图（ECG）记录分为四个不同的类别：正常窦性心律（N），房颤（A），其他心律（O ），或者太吵而无法分类（〜）。 该模型是由论文指导的由Zihlmann等人撰写。 在作者对的贡献之后发表的。 心房颤动（AF）是一种常见的心律失常，影响了270万以上的美国人。 这种心律失常与明显的发病率相关，缺血性中风的风险增加了4到5倍。 AF通常是沉默的，患者偶尔会出现中风，这是心律不齐的最初表现。 其他患者有令人不安的症状，例如心pit或头晕，但传统的监测方法无法确定心律不齐。 尽管该问题很重要，但AF检测仍然很困难，因为它可能是偶发性的。 因此，定期采样心率和节律可能有助于在这些情况下进行诊断。 当两个电极中的每一个都握在手中时，移动式ECG设备能够记录单导联等效ECG。 AliveCor为2017年PhysioNet / CinC挑战赛慷慨捐赠了总计12186张ECG录音。 项目包中的文件 该项目包包含以下文件： physionet_readme.ipynb：具有工作代码的此README.m

Logistic回归-心血管疾病 背景 在全球范围内，心血管疾病（CVD）造成的死亡人数多于癌症。 从这项为期15年的心脏研究队列中收集的真实心脏病患者的数据集可用于此任务。 该数据集具有16个患者特征。 请注意，所有功能均不包含任何验血信息。 数据集 数据集可以通过github下载：（“ ”） 代码 Python笔记本：（“ ”） 有关如何启动的说明 I.在google colab上打开python笔记本。 二。 挂载Google云端硬盘：drive.mount（“ / content / drive”） 三， 链接工作目录：census =“ /content/drive/MyDrive/MSBA_Colab_2020/ML_Algorithms/CA05/Data/cvd_data.csv” IV。 运行代码 V.生成最佳模型的准确性和ROC AUC分数 程序 -[A节]

使用CNN进行植物病害检测 通过叶片图像预测植物的健康状况

植物叶病分析仪 该储存库包括一个预测植物病害的项目，并根据病害向农民推荐农药。 它还包括植物的实时分割以及其中的数据集生成。 因此，它是一个完整的计算机视觉（CV）系统，可以预测植物病害以及植物香料。 涉及的技术栈： 1）Django 2）Tensorflow 3）Keras 4）PIL 在Django依赖项中- 1）Django调整大小2）djagno rest_framework 如果想了解培训代码和方法 参观

Kaggle： 任务是将每个木薯图像分为五类，以指示-具有某种疾病或健康叶片的植物。 组织者介绍了在乌干达定期调查期间收集的21,367张带标签图像的数据集。 大多数图像都是从农民那里获取的，他们在花园里照相，并由国家作物资源研究所（NaCRRI）的专家与坎帕拉的马可雷雷大学的AI实验室合作进行批注。 似乎已经有一些。 实验性 安装此工具 如何使用此基本功能的简单方法： ! pip install https://github.com/Borda/kaggle_cassava-leaf-disease/archive/main.zip 在Colab中运行笔记本 我建议将数据集上传到您的个人gDrive，然后在笔记本电脑中连接gDrive，这样可以在重置Colab时节省重新上传数据集的时间...：] 一些结果 ResNet50的培训进度以及10个时期的培训：

Kaggle-木薯叶病分类 Kaggle竞赛代码“木薯叶病分类”。 排名256/3900（最高7％）铜牌 比赛于2月结束，当我最近整理代码时，我决定在GitHub上发布它（整理代码确实是一件很累的工作〜）。 我在私有数据集中得到0.8987 。 但是，这不是我最好的解决方案（确定是成功的关键...大声笑）。 我在Github上发布的代码为0.9010 ，如果我提交此解决方案，则该代码应排在银牌区域。 此仓库包含培训部分和测试部分的代码，我使用一些技巧，如下所示： AMP，用于更快的训练（Kaggle中的GPU时间限制，我的GPU不好） 数据8月可提供更好的性能（我放弃了cutmix或snapmix之类的技巧，这些技巧浪费大量时间并且没有改善性能） K折模型合奏：$ k = 5 $ 模型集合：EfficientB4（由我自己训练）+ Resnext（在讨论区域中开放访问） 测

该数据库包含76个属性，但是所有已发布的实验都引用了其中14个属性的子集。特别是，克利夫兰数据库是 迄今为止ML研究人员使用的唯一数据库。“目标”字段是指患者中心脏病的存在。 heart.csv

在医学界，决策是根据存储的数据和医生的经验来做出的。 可能会出现错误的机会，诊断时间更长，治疗重要器官心脏的费用增加。 医院中当前的数据库系统包含大量数据，可用于预测心脏的健康状况。 可以将这些数据转换成有用的信息，这些信息可以用于制作可以预测疾病发生机会的智能决策系统。 该系统提供了预测个体中心脏病发生的能力。 它使用卷积神经网络进行预测。 利用年龄，性别，胆固醇，心电图斜率等重要因素，可以预测人患心脏病的可能性。 这些属性不过是患者的临床数据。