Методи дата сайнс для аналізу кардіограм

Скорочена інформація про документ
dc.contributor.advisorХарченко, Костянтин Васильович
dc.contributor.authorНаумчик, Максим Сергійович
dc.date.accessioned2023-10-24T11:03:05Z
dc.date.available2023-10-24T11:03:05Z
dc.date.issued2023
dc.description.abstractМетою дипломної роботи є дослідження використання методів машинного навчання для передбачення серцевої недостатності з набору даних про пацієнта. Люди з серцево-судинними захворюваннями або з високим серцево-судинним ризиком (через наявність одного або декількох факторів ризику, таких як гіпертонія, діабет, гіперліпідемія або вже наявні захворювання) потребують раннього виявлення та лікування, в чому модель машинного навчання може бути дуже корисною. В ході даної роботи було розглянуто методи машинного навчання, які використовуються для класифікації, таких як логістична регресія, метод найближчих сусідів, випадковий ліс, Ada Boost, XG Boost. В роботі було представлено продуктивність кожного методу і оцінено їх ефективність за такими показниками, як точність та оцінка F1. Крім того, було побудовано модель з найкращими метриками точності та набором гіперпараметрів отриманих при використанні методу випадкового пошуку яка і показала найкращі досягнені результати передбачення серцево-судинних захворювань. Загальний обсяг роботи 76 с., 18 рис., 13 таблиць, 2 додатків, 15 джерел.uk
dc.description.abstractotherThe aim of the thesis is to investigate the use of machine learning methods to predict heart failure from a patient data set. People with cardiovascular disease or at high cardiovascular risk (due to the presence of one or more risk factors such as hypertension, diabetes, hyperlipidemia, or pre-existing conditions) need early detection and treatment, in which a machine learning model can be very useful. In this paper, we have reviewed machine learning methods used for classification, such as logistic regression, nearest neighbors, random forest, Ada Boost, XG Boost. The paper presents the performance of each method and evaluates their effectiveness in terms of accuracy and F1 score. In addition, a model with the best accuracy metrics and a set of hyperparameters obtained using the random search method was built, which showed the best achieved results in predicting cardiovascular diseases. The total volume of the work is 76 pages, 18 figures, 13 tables, 2 appendices, 15 sources.uk
dc.format.extent101 с.uk
dc.identifier.citationНаумчик, М. С. Методи дата сайнс для аналізу кардіограм : дипломний проект … бакалавра : 122 Комп'ютерні науки / Наумчик Максим Сергійович. – Київ, 2023. – 101 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/61733
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectмашинне навчанняuk
dc.subjectрозвідувальний аналіз даних (EDA)uk
dc.subjectPythonuk
dc.subjectKerasuk
dc.subjectXGBoostuk
dc.subjectAda Boostuk
dc.subjectrandom forest features scalinguk
dc.subjectmachine learninguk
dc.subjectexploratory data analysisuk
dc.titleМетоди дата сайнс для аналізу кардіограмuk
dc.title.alternativeData science methods for cardiogram analysisuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Naumchyk_bakalavr.doc
Розмір:
4.96 MB
Формат:
Microsoft Word
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (СП)
Бакалаврські роботи