Name: Ansatz des maschinellen Lernens zur Vorhersage von Herzerkrankungen (en Alemán)
Price: 68.25 USD
Availability: InStock
Author: Kumari Isukapalli, Vasantha ; Sahu, Anil Kumar
ISBN: 9786206425625

portada Ansatz des maschinellen Lernens zur Vorhersage von Herzerkrankungen (en Alemán)

Ansatz des maschinellen Lernens zur Vorhersage von Herzerkrankungen (en Alemán)

Formato

Libro Físico

Autor

Vasantha Kumari Isukapalli

Anil Kumar Sahu

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

Peso

0.12 kg.

ISBN13

9786206425625

Categorías

Tecnología: cuestiones generales

Ansatz des maschinellen Lernens zur Vorhersage von Herzerkrankungen (en Alemán)

Vasantha Kumari Isukapalli (Autor) · Anil Kumar Sahu (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 24 a 31 días háb.

$ 113.74$ 68.25

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 68.25

Llega entre el 24 Jul y el 06 Ago a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Ansatz des maschinellen Lernens zur Vorhersage von Herzerkrankungen (en Alemán)"

Maschinelles Lernen wird in vielen Bereichen rund um die Welt eingesetzt. Die Gesundheitsbranche ist davon nicht ausgenommen. Maschinelles Lernen kann eine wesentliche Rolle bei der Vorhersage von Erkrankungen des Bewegungsapparats, Herzkrankheiten und mehr spielen. Solche Informationen können, wenn sie rechtzeitig vorhergesagt werden, den Ärzten wichtige Anhaltspunkte liefern, damit sie ihre Diagnose und ihr Vorgehen auf den jeweiligen Patienten abstimmen können. Wir arbeiten an der Vorhersage möglicher Herzkrankheiten bei Menschen mithilfe von Algorithmen des maschinellen Lernens. In diesem Projekt führen wir die vergleichende Analyse von Klassifizierern wie Entscheidungsbaum, NaïveBayes, Logistische Regression, SVM und Random Forest durch und schlagen einen Ensemble-Klassifizierer vor, der eine hybride Klassifizierung durchführt, indem er starke und schwache Klassifizierer verwendet, da er mehrere Proben für das Training und die Validierung der Daten haben kann, so dass wir die Analyse der bestehenden Klassifizierer und der vorgeschlagenen Klassifizierer wie Ada-Boost und XG-Boost durchführen, die eine bessere Genauigkeit und Vorhersageanalyse liefern können.