Hanfodion a Chefndir

1. Algorithmau Dysgu Peiriant

Mae'r adran hon yn rhoi trosolwg cynhwysfawr o'r algorithmau dysgu peirianyddol a ddefnyddir amlaf wrth wneud diagnosis o glefydau.

1.1 Coed Penderfyniadau

Mae algorithmau coeden benderfynu (DT) yn dilyn y rheol rhaniad. Mewn model DT, gall nodweddion fod â gwerthoedd amrywiol a elwir yn goed dosbarthu; mae dail yn cynrychioli gwahanol ddosbarthiadau, tra bod canghennau'n adlewyrchu'r cyfuniad o nodweddion sy'n arwain at y labeli dosbarth hyn. Ar y llaw arall, gall DT gymryd newidynnau parhaus a elwir yn goed atchweliad. Mae C4.5 ac EC4.5 yn ddau o'r algorithmau DT adnabyddus a ddefnyddir amlaf.

1.2 Cefnogi peiriannau fector

Ar gyfer heriau dosbarthu ac atchweliad, mae peiriannau fector cymorth (SVMs) yn ddull dysgu peiriannau poblogaidd. Cyflwynwyd peiriannau fector cymorth gan Vapnik ar ddiwedd yr 20fed ganrif. Yn ogystal â diagnosis afiechyd, defnyddiwyd peiriannau fector cymorth mewn amrywiaeth o ddisgyblaethau eraill, gan gynnwys adnabod mynegiant wyneb, plygu protein, darganfod homolog pell, adnabod lleferydd, a dosbarthu testun. Ar gyfer data heb ei labelu, ni all algorithmau ML dan oruchwyliaeth berfformio. Gan ddefnyddio darganfyddiad hyperplane ar gyfer clystyru rhwng data, gall peiriannau fector cymorth ddosbarthu data heb ei labelu. Fodd bynnag, nid yw allbwn peiriant fector cymorth yn aflinol gwahaniaethol. Er mwyn goresgyn y problemau hyn, mae dewis y cnewyllyn a'r paramedrau priodol yn ddau ffactor allweddol ar gyfer cymhwyso SVMs wrth ddadansoddi data.

1.3 k - Cymydog Agosaf

Mae dosbarthiad (KNN) yn dechneg ddosbarthu nad yw'n barametrig a ddyfeisiwyd gan Evelyn Fix a Joseph Hodges ym 1951. Mae kNN yn addas ar gyfer dadansoddi dosbarthiad a dadansoddiad atchweliad. Mae dosbarthiad kNN yn arwain at ymlyniad dosbarth. Defnyddir mecanwaith pleidleisio i ddosbarthu eitemau. Defnyddir y dechneg pellter Ewclidaidd i bennu'r pellter rhwng dau sampl data. Y gwerth rhagamcan ar gyfer dadansoddiad atchweliad yw cyfartaledd y gwerthoedd KNN.

Cliciwch yma i gael effaith Cistanches llysieuol

1.4 Baees Naïf

Mae'r dosbarthwr Bayesaidd (DS) naïf yn ddosbarthwr tebygolrwydd Bayesaidd. Yn seiliedig ar gofnod neu bwynt data penodol, mae'n rhagweld y tebygolrwydd o aelodaeth ym mhob dosbarth. Y dosbarth mwyaf tebygol yw'r un â'r tebygolrwydd uchaf. defnyddir y dosbarthwr DS i ragfynegi tebygolrwydd, nid rhagfynegiadau.

1.5 Atchweliad logistaidd

Mae atchweliad logistaidd (LR) yn ddull dysgu peiriant a ddefnyddir i ddatrys problemau dosbarthu. Mae gan fodelau LR fframwaith tebygol gyda gwerthoedd taflunio yn amrywio o 0 i 1. Mae enghreifftiau o ML seiliedig ar LR yn cynnwys adnabod sbam, canfod trafodion twyllodrus ar-lein, a chanfod malaenedd. Mae'r swyddogaeth ddirprwyol, y cyfeirir ati'n aml fel y swyddogaeth sigmoid, yn cael ei defnyddio gan LR. Mae ffwythiannau sigmoid yn trawsnewid pob rhif real rhwng 0 ac 1.

1.6 Algorithm AdaBoost

Datblygodd Yoav Freund a Robert Schapire Hwb Addasol, a elwir yn gyffredin yn AdaBoost. Dosbarthwr yw AdaBoost sy'n cyfuno sawl dosbarthwr gwan yn un dosbarthwr. Mae AdaBoost yn gweithio trwy roi mwy o bwysau ar samplau sy'n anoddach eu dosbarthu a rhoi'r rhai sydd eisoes wedi'u dosbarthu'n dda Mae AdaBoost yn gweithio trwy roi mwy o bwysau i samplau sy'n anoddach eu dosbarthu a llai o bwysau i'r rhai sydd eisoes wedi'u dosbarthu'n dda. Gellir ei ddefnyddio ar gyfer dosbarthu yn ogystal â dadansoddi atchweliad.

manteision Cistanche tubulosa

2. Trosolwg Dysgu Dwfn

Mae dysgu dwfn (DL) yn is-faes dysgu peirianyddol (ML) sy'n defnyddio lefelau lluosog i dynnu gwybodaeth lefel uwch ac is (hy delweddau, gwerthoedd rhifiadol, gwerthoedd dosbarthu) o'r mewnbwn. Mae'r rhan fwyaf o fodelau dysgu dwfn cyfoes wedi'u hadeiladu ar rwydweithiau niwral artiffisial (ANNs), yn enwedig rhwydweithiau niwral convolutional (CNNs), y gellir eu hintegreiddio â modelau dysgu dwfn eraill, gan gynnwys modelau cynhyrchiol, rhwydweithiau cred dwfn, a pheiriannau Boltzmann. Gellir rhannu dysgu dwfn yn dri math: dan oruchwyliaeth, lled-oruchwyliaeth, a heb oruchwyliaeth. Mae rhwydweithiau niwral dwfn (DNNs), dysgu atgyfnerthu, a rhwydweithiau niwral cylchol (RNNs) yn rhai o'r pensaernïaeth DL amlycaf (RNNs).

Mae pob haen mewn dysgu dwfn yn dysgu gwahanol briodoleddau data wrth ddysgu trawsnewid ei ddata mewnbwn i haenau dilynol. Er enghraifft, mewn cais adnabod delwedd, gall y mewnbwn gwreiddiol fod yn fatrics o bicseli a gall yr haen gyntaf ganfod ymylon y ddelwedd. Byddai'r ail haen, ar y llaw arall, yn adeiladu ac yn amgodio'r trwyn a'r llygaid, a gallai'r drydedd haen adnabod wynebau trwy gyfuno'r holl wybodaeth a gasglwyd o'r ddwy haen gyntaf.

Yn y maes meddygol, mae gan DL addewid mawr. Mae radioleg a phatholeg yn ddau faes meddygol amlwg sydd wedi defnyddio dysgu dwfn yn helaeth wrth wneud diagnosis o glefydau ers blynyddoedd lawer. Yn ogystal, mae casglu gwybodaeth werthfawr o gyflyrau moleciwlaidd a phennu dilyniant afiechyd neu ragdueddiad triniaeth yn ddefnyddiau ymarferol o DL, a gydnabyddir yn aml gan astudiaethau dynol.

Atodiad Cistanche

Gwerth echdyniad Cistanche perlysiau i'r aren:

Mae astudiaethau meddygol wedi canfod bod y cynhwysion actif a gynhwysir ynDyfyniad Cistanchegall hyrwyddo adfywio celloedd dynol a metaboledd, gwella gallu rheoleiddio imiwnedd, ac wedi amlwggwrth-ganser, effeithiau gwrthfeirysol, a gwrth-heneiddio. Yn y blynyddoedd diwethaf, mae triniaethafiechydon yr arennaugyda Cistanche wedi cyflawni canlyniadau da. Atchwanegiad ar gyfer dynion a merched yw Cistanche a gall drin analluedd gwrywaidd ac anffrwythlondeb benywaidd. Ar ben hynny, tonify yr aren heb brifo'r yin, ac yn y tymor hir defnydd yn gyffredinol nid yw'n achosi symptomau megis gwres a cheg sych.

Yn ôl Dr Xu Jing, Adran Neffroleg, Ysbyty Ruijin, Ysgol Feddygaeth Prifysgol Shanghai Jiao Tong, dylai cleifion â'r clefydau canlynol roi sylw arbennig:

1. Diabetes: Bydd diabetes yn gwaethygu fy llwyth glwcos, boed yn ddiabetes math 1 neu fath 2, gall neffropathi diabetig ddigwydd, a po hiraf yw cwrs y clefyd, y mwyaf yw'r risg. Unwaith y bydd cam olaf y clefyd arennol yn datblygu, mae'n dod yn anoddach ei reoli.

2. gwaed uchel: pwysau Pwysedd gwaed uchel ac yr wyf yn llysenw "brawd caled". Nid yn unig y mae pwysedd gwaed uchel yn rhoi pwysau uchel arnaf ac yn niweidio fy iechyd, ond pan fyddaf yn gamweithredol, mae hefyd yn achosi pwysedd gwaed uchel yn eilradd. Roedd y ddau ohonom yn "cydgynllwynio" gyda'n gilydd, roedd yn anoddach fyth!

3. Hyperuricemia: Gyda newidiadau ffordd o fyw, mae nifer yr achosion o gowt (hyperuricemia) yn cynyddu'n raddol. Mae crisialau wrate yn cael eu hadneuo yn yr arennau, gan gyflymu dirywiad swyddogaeth yr arennau; Bydd dirywiad swyddogaeth arennol yn lleihau gallu'r arennau i ysgarthu asid wrig, gwaethygu hyperuricemia eto, a ffurfio cylch dieflig.

4. Ffordd o fyw drwg: Bydd eisteddog hirdymor a diffyg ymarfer corff yn arwain at ordewdra, dros bwysau, neu aros i fyny'n hwyr yn gyson, yfed ac ysmygu, ac ati, yn gwneud i mi weithio am amser hir ac ni allaf orffwys, a thrwy hynny gynyddu fy maich ac achosi difrod.

Dyfyniad Cistanche tubulosa

6. Ysgogi chwysu

Pryd bynnag rydyn ni'n chwysu, rydyn ni'n ysgafnhau'r llwyth ar ein harennau oherwydd rydyn ni'n cryfhau ffordd arall o dynnu hylif o'r corff. Yn yr ystyr hwn, gall chwysu cynyddol fod yn "therapi" da i ofalu am swyddogaeth yr arennau. Gweithgaredd corfforol cymedrol neu ddwys, neu fesul ysbeidiau. Baddonau sawna sych a gwlyb. Bwyta sbeisys poeth, fel sinsir neu bupur cayenne.

7. Defnydd rheolaidd o lanhawyr

Unwaith neu ddwywaith y flwyddyn, yn enwedig yn ystod newidiadau tymhorol, mae'n syniad da gwneud rhywfaint o lanhau neu buro i hyrwyddo dileu tocsinau a gwella swyddogaeth yr afu a'r arennau. Mae hyn yn cynnwys gwella arferion dietegol, glanhau'r arennau'n bennaf, a gallwch roi cynnig ar:

a: Ychwanegu broth garlleg a nionyn i'ch diet yn amlach.

b: Amnewid diodydd diwydiannol gyda gellyg gwyrdd, seleri, a sudd afal.

c: Defnyddiwch arllwysiadau naturiol o dant y llew, burdock, a marchrawn i ysgogi dileu hylif.

8. Gwneud cais gwres lleol

Gall gwres lleol gan ddefnyddio potel dŵr poeth neu bad gwresogi roi rhyddhad rhag ofn y bydd anghysur cefn isaf yn ardal yr arennau. Ar y llaw arall, mae osgoi oerfel eithafol yn ardal y gefnffordd, yn enwedig gwyntoedd oer yn y gaeaf, yn hanfodol i atal (neu leddfu, yn ôl y digwydd) anghysur yn y maes hwn, waeth beth fo presenoldeb clefyd yr arennau.

9. Osgoi alcohol a gorddos

Awgrymiadau ar gyfer gofalu am y pancreas: peidiwch ag yfed alcohol. Wrth gwrs, mae osgoi alcohol yn hanfodol i ofalu am iechyd yr arennau. Mae astudiaethau amrywiol wedi dangos y gall alcohol ddirywio gweithrediad yr arennau i raddau helaeth ac mai po fwyaf o alcohol a yfir, y mwyaf yw'r risg o ddatblygu problemau iechyd amrywiol. Ar y llaw arall, mae'n bwysig cofio bob amser bod popeth dros ben yn ddrwg i'ch iechyd, nid dim ond alcohol neu gyffuriau eraill.

CYFEIRIADAU:

1.Brijain, M.A.; Patel, R. ; Kaushik, M.A.; Rana, K. Arolwg ar algorithm coed penderfyniad ar gyfer dosbarthu. Int. J. Eng. Dev. Res. 2014. Ar gael

2. Walse, RS; Kurundkar, GD; Khamitkar, SD; Muley, AA; Bhalchandra, Uned Bolisi; Lokhande, SN Defnyddio Baeau Naïf yn Effeithiol, Coeden Benderfynu, a Thechnegau Coedwig Ar Hap ar gyfer Dadansoddi Clefyd Cronig yr Arennau. Yn Nhrafodion y Gynhadledd Ryngwladol ar Dechnoleg Gwybodaeth a Chyfathrebu ar gyfer Systemau Deallus, Ahmedabad, India, 15-16 Mai 2020; Springer: Berlin/Heidelberg, yr Almaen, 2020; 237–245.

3. Rajendran, K.; Jayabalan, M.A.; Thiruchelvam, V. Rhagfynegi canser y fron trwy ddulliau dysgu peirianyddol dan oruchwyliaeth ar ddata anghydbwysedd dosbarth. Int. J. Adv. Cyfrifiadur. Sci. Appl. 2020, 11, 54–63.

4. Tsao, HY; Chan, PY; Su, ECY Rhagweld retinopathi diabetig a nodi nodweddion biofeddygol y gellir eu dehongli gan ddefnyddio algorithmau dysgu peirianyddol. BMC Biowybod. 2018, 19, 111–121.

5. . Nurrohman, A.; Abdullah, A.S.; Murfifi, H. Dosbarthiad isdeip clefyd Parkinson: Cymhwyso coeden benderfynu, atchweliad logistaidd, a model dail logit. Mewn Trafodion Cynadledda AIP; AIP Publishing LLC: Melville, NY, UDA, 2020; Cyfrol 2242, t. 030015.

6. . Drucker, H.; Wu, D.; Vapnik, VN Cefnogi peiriannau fector ar gyfer categoreiddio sbam. IEEE Traws. Rhwyd Niwral. 1999, 10, 1048–1054.

7. Atgyweiria, E. ; Hodges, JL Dadansoddiad gwahaniaethol. Gwahaniaethu anparametrig: Priodweddau cysondeb. Int. Ystad. Parch. De Stat. 1989, 57, 238–247.

8. Wright, AG Atchweliad Logisteg. Mewn Darllen a Deall Ystadegau Aml-amrywedd; Cymdeithas Seicolegol America: Washington, DC, UDA, 1995.

9. Scapire, Addysg Grefyddol yn Egluro AdaBoost. Mewn Casgliad Empirig; Springer: Berlin/Heidelberg, yr Almaen, 2013; tt 37–52.

10. Cymrawd Da, I. ; Bengio, Y.; Courville, A. Dysgu Dwfn; Gwasg MIT: Caergrawnt, MA, UDA, 2016.

11. Hayashi, Y. Y cyfeiriad cywir sydd ei angen i ddatblygu dysgu dwfn blwch gwyn mewn radioleg, patholeg ac offthalmoleg: Adolygiad byr. Blaen. Robot. AI 2019, 6, 24.

12. Akkus, Z. ; Galimzianova, A.; Hoogi, A. ; Rubin, DL; Erickson, BJ Dysgu dwfn ar gyfer segmentu MRI yr ymennydd: Y cyfarwyddiadau diweddaraf a'r dyfodol. J. Digid. Delweddu 2017, 30, 449–459.

13. Ahsan, MM; E Alam, T. ; Trafalis, T. ; Huebner, P. Model MLP-CNN Deep yn defnyddio data cymysg i wahaniaethu rhwng cleifion COVID{3}} a chleifion nad ydynt yn COVID-19. Cymesuredd 2020, 12, 1526.

14. Houston, EH; Emam, MM; Ali, AA; Suganthan, PN Technegau dysgu dwfn a pheiriant ar gyfer canser y fron yn seiliedig ar ddelweddu meddygol: Adolygiad cynhwysfawr. Syst Arbenigol. Appl. 2021, 167, 114161.