توضیحات محصول

عنوان فارسی:

دسترسی به مجموعه داده های محدود با شبکه های عصبی در زمینه های پزشکی یک رویکرد کوچک داده

عنوان انگلیسی: 

Handling limited datasets with neural networks in medicalapplications: A small-data approach

 

فهرست مطالب

۱- خلاصه

۲- معرفی

۳- علم اصول

۴- جامدات متخلخل: داده

۵- استحکام فشاری استخوان ترابکولار

۶- مقاومت فشاری بتن

۷- طراحی NN برای پیش بینی CS در مواد جامد متخلخل

۸- چند روش اجرا

۹- آزمون داده جایگزین

۱۰- خلاصه ای از چارچوب پیشنهادی

۱۱- ارزیابی NN تعمیم

۱۲- معیارهای عملکرد

۱۳- مدل جایگزین: روش های گروه NN

۱۴- تحلیل آماری

۱۵- عملکرد جمعی NN(در هر اجرا)

۱۶- آزمون داده های جایگزین: تفسیر برای اندازه های مختلف داده ها

۱۷- عملکرد فردی NN

۱۸- به طور کلی عملکرد NN داده های کوچک

۱۹- مقایسه NN مجموعه داده های کوچک با مدل گروه برای داده های بتن مسلح

۲۰- نتایج : مدل استخوان CS

۲۱- پیکربندی طراحی NN

۲۲- آزمون داده های جایگزین

۲۳- مدل CS استخوان بهینه

۲۴- مقایسه با گروه NN

۲۵- بحث

۲۶- اهمیت روش پیشنهادی

۲۷- اهمیت عملی مدل استخوان CS

۲۸- تصدیق

۲۹- پیوست ها

 

نمونه متن انگلیسی

Abstrac

Motivation: Single-centre studies in medical domain are often characterised by limited samples due to thecomplexity and high costs of patient data collection. Machine learning methods for regression modellingof small datasets (less than 10 observations per predictor variable) remain scarce. Our work bridges thisgap by developing a novel framework for application of artificial neural networks (NNs) for regressiontasks involving small medical datasets.Methods: In order to address the sporadic fluctuations and validation issues that appear in regression NNstrained on small datasets, the method of multiple runs and surrogate data analysis were proposed in thiswork. The approach was compared to the state-of-the-art ensemble NNs; the effect of dataset size on NNperformance was also investigated.

نمونه متن فارسی

خلاصه

انگیزه: مطالعات تک محور در زمینه پزشکی اغلب با نمونه های محدود به دلیل پیچیدگی و هزینه های بالای جمع آوری داده های بیمار مشخص می شود. روش ها یادگیری ماشین برای مدل رگرسیون داده های کوچک(که کمتر از۱۰ مشاهدات در هر متغیر پیش بینی کننده)هنوز کم است. کارما با ایجاد یک چارچوب جدید برای استفاده از شبکه های عصبی مصنوعیnns)) برای انجام وظایف رگرسیون شامل مجموعه های داده های پزشکی کوچک می باشد.

روش ها: به منظور رفع نوسانات پراکنده و مسائل مربوط به اعتبارسنجی که در رگرسیون nnمحدود شده در مجموعه داده های کوچک ظاهرمیشود، چندین روش اجرا و تجزیه و تحلیل داده های جایگزین دراین مقاله پیشنهاد شده است. این رویکرد بهNNs گروهی از پیشرفته مقایسه شد، اثر اندازه داده ها برروی عملکرد NNنیز مورد بررسی قرار گرفته است.

 

 


برچسب ها:

, , , , , , , , , ,

Warning: preg_split() expects parameter 2 to be string, array given in /home/downloa1/public_html/wp-includes/formatting.php on line 2948

Warning: Invalid argument supplied for foreach() in /home/downloa1/public_html/wp-includes/formatting.php on line 2950

Warning: preg_split() expects parameter 2 to be string, array given in /home/downloa1/public_html/wp-includes/formatting.php on line 2948

Warning: Invalid argument supplied for foreach() in /home/downloa1/public_html/wp-includes/formatting.php on line 2950
قابل ویرایش می باشد
قابل پرینت می باشد
حجم فایل 6.04 مگابایت
رفرنس دارد
محتوای فایل دانلودی Zip
نشریه Elsevier
سال انتشار 2017
فرمت ترجمه مقاله ورد تایپ شده
فرمت مقاله انگلیسی پی دی اف
تعداد صفحات ترجمه فارسی 41 صفحه
تعداد صفحات مقاله انگلیسی 13 صفحه
رشته های مرتبط با این مقاله مهندسی کامپیوتر و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله هوش مصنوعی، داده کاوی و پردازش داده
مجله Artificial Intelligence in Medicine
دانشگاه School of Engineering, University of Warwick, Coventry CV4 7A L, UK
کلمات کلیدی Predictive modelling, Small data, Regression neural networks, Osteoarthritis, Compressive strength, Trabecular bone
جزئیات محصول این محصول شامل یک فایل ورد تایپ شده (قابل ویرایش) و نیز یک فایل پی دی اف ترجمه مقاله می‌ باشد.

شما باید وارد شوید و یک خریدار محصول باشید تا بتوانید نظر خود را ثبت کنید.

نظری بدهید