ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Artificial Intelligence and Machine Learning in Healthcare

دانلود کتاب هوش مصنوعی و یادگیری ماشین در بهداشت و درمان

Artificial Intelligence and Machine Learning in Healthcare

مشخصات کتاب

Artificial Intelligence and Machine Learning in Healthcare

ویرایش: 1st ed. 2021 
نویسندگان:   
سری:  
ISBN (شابک) : 9811608105, 9789811608100 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 37 مگابایت 

قیمت کتاب (تومان) : 52,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Artificial Intelligence and Machine Learning in Healthcare به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب هوش مصنوعی و یادگیری ماشین در بهداشت و درمان نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب هوش مصنوعی و یادگیری ماشین در بهداشت و درمان

این کتاب به بررسی کاربرد هوش مصنوعی و یادگیری ماشین در مراقبت های بهداشتی می پردازد. این مقاله درباره ادغام اصول علوم کامپیوتر، علوم زیستی و آمار در مدل‌های آماری با استفاده از داده‌های موجود، کشف الگوهایی در داده‌ها برای استخراج اطلاعات و پیش‌بینی تغییرات و بیماری‌ها بر اساس این داده‌ها و مدل‌ها بحث می‌کند. فصل های اولیه کتاب کاربردهای عملی هوش مصنوعی برای پیش آگهی و مدیریت بیماری را پوشش می دهد. علاوه بر این، نقش هوش مصنوعی و یادگیری ماشین با اشاره به بیماری‌های خاص مانند دیابت، سرطان، مایکوباکتریوم توبرکلوزیس و کووید-19 مورد بحث قرار می‌گیرد. فصل‌ها نمونه‌های کاری را در مورد نحوه استفاده از انواع مختلف داده‌های مراقبت‌های بهداشتی برای توسعه مدل‌ها و پیش‌بینی بیماری‌ها با استفاده از یادگیری ماشین و هوش مصنوعی ارائه می‌دهند. این کتاب همچنین به پزشکی دقیق، پزشکی شخصی و یادگیری انتقالی با مثال‌های واقعی اشاره می‌کند. علاوه بر این، استفاده از یادگیری ماشین و هوش مصنوعی برای تجسم، پیش‌بینی، تشخیص و تشخیص کووید-19 را مورد بحث قرار می‌دهد. این کتاب منبع اطلاعات ارزشمندی برای برنامه نویسان، متخصصان مراقبت های بهداشتی و محققان علاقه مند به درک کاربردهای هوش مصنوعی و یادگیری ماشین در مراقبت های بهداشتی است.

توضیحاتی درمورد کتاب به خارجی

This book reviews the application of artificial intelligence and machine learning in healthcare.  It discusses integrating the principles of computer science, life science, and statistics incorporated into statistical models using existing data, discovering patterns in data to extract the information, and predicting the changes and diseases based on this data and models. The initial chapters of the book cover the practical applications of artificial intelligence for disease prognosis & management. Further, the role of artificial intelligence and machine learning is discussed with reference to specific diseases like diabetes mellitus, cancer, mycobacterium tuberculosis, and Covid-19.  The chapters provide working examples on how different types of healthcare data can be used to develop models and predict diseases using machine learning and artificial intelligence.  The book also touches upon precision medicine, personalized medicine, and transfer learning, with the real examples.  Further, it also discusses the use of machine learning and artificial intelligence for visualization, prediction, detection, and diagnosis of Covid -19. This book is a valuable source of information for programmers, healthcare professionals, and researchers interested in understanding the applications of artificial intelligence and machine learning in healthcare.


فهرست مطالب

Contents
About the Authors
List of Figures
List of Tables
1: Practical Applications of Artificial Intelligence for Disease Prognosis and Management
	1.1 Overview of Application of AI in Disease Management
		1.1.1 Disease Prognosis and Diagnosis
		1.1.2 AI in Identification of Biomarker of Disease
		1.1.3 AI in Drug Development
	1.2 Public Data Repositories
		1.2.1 KAGGLE
		1.2.2 Csv
		1.2.3 JSON
		1.2.4 SQLite
		1.2.5 Archives
		1.2.6 UCI ML Repository
		1.2.7 HealthData.gov
	1.3 Review of Artificial Intelligence Techniques on Disease Data
		1.3.1 Logistic Regression Model
		1.3.2 Artificial Neural Network Model
		1.3.3 Support Vector Machine Model
	1.4 Case Study: Parkinson´s Disease Prediction
		1.4.1 Importing the Data
		1.4.2 Data Preprocessing and Feature Selection
		1.4.3 Building Classifier
		1.4.4 Predictive Modelling
		1.4.5 Performance Validation of the Model
	References
2: Automated Diagnosis of Diabetes Mellitus Based on Machine Learning
	2.1 Introduction
	2.2 Diabetes Mellitus
		2.2.1 Classification of Diabetes Mellitus
		2.2.2 Diagnosis of Diabetes Mellitus
		2.2.3 Diabetes Management
	2.3 Role of Artificial Intelligence in Healthcare
	2.4 AI Technologies Accelerate Progress in Medical Diagnosis
	2.5 Machine Learning
		2.5.1 Types of Machine Learning
		2.5.2 Role of Machine Learning in Diabetes Mellitus Management
	2.6 Methodology for Development of an Application Based on ML
		2.6.1 Dataset
		2.6.2 Data Preprocessing
		2.6.3 Model Construction
		2.6.4 Results
	2.7 Conclusion
	References
3: Artificial Intelligence in Personalized Medicine
	3.1 Introduction
	3.2 Personalized Medicine
	3.3 Importance of Artificial Intelligence
	3.4 Use of Artificial Intelligence in Healthcare
	3.5 Models of Artificial Intelligence Used in Personalized Medicine
	3.6 Use of Different Learning Models in Personalized Medicine
		3.6.1 Naïve Bayes Model
		3.6.2 Support Vector Machine (SVM)
		3.6.3 Deep Learning
	References
4: Artificial Intelligence in Precision Medicine: A Perspective in Biomarker and Drug Discovery
	4.1 Precision Medicine as a Process: A New Approach for Healthcare
	4.2 Role of Artificial Intelligence: Biomarker Discovery for Precision Medicine
		4.2.1 Biomarker(s) for Diagnostics
		4.2.2 Biomarker(s) for Disease Prognosis
	4.3 Role of Artificial Intelligence: Drug Discovery for Precision Medicine
		4.3.1 Drug Discovery Process
		4.3.2 Understanding the Disease Process and Target Identification
		4.3.3 Identification of Hit and Lead
		4.3.4 Synthesis of Compounds
		4.3.5 Predicting the Drug-Target Interactions Using AI
		4.3.6 Artificial Intelligence in Clinical Trials
		4.3.7 Drug Repurposing
		4.3.8 Some Examples of AI and Pharma Partnerships
	4.4 Precision Medicine and Artificial Intelligence: Hopes and Challenges
	References
5: Transfer Learning in Biological and Health Care
	5.1 Introduction
	5.2 Methodology
		5.2.1 Dataset Curation
		5.2.2 Data Loading and Preprocessing
		5.2.3 Loading Transfer Learning Models
			5.2.3.1 VGG-16
			5.2.3.2 EfficientNet
			5.2.3.3 Inception-ResNet-V2
			5.2.3.4 Inception V3
		5.2.4 Training
		5.2.5 Testing
	References
6: Visualization and Prediction of COVID-19 Using AI and ML
	6.1 Introduction
	6.2 Technology for ML and AI in SARS-CoV-2 Treatment
	6.3 SARS-Cov-2 Tracing Using AI Technologies
	6.4 Forecasting Disease Using ML and AI Technology
	6.5 Technology of ML and AI in SARS-CoV-2 Medicines and Vaccine
	6.6 Analysis and Forecasting
		6.6.1 Predictions on the First Round
		6.6.2 Predictions on the Second Round
		6.6.3 Predictions on the Third Round
		6.6.4 Predictions on the Fourth Round
		6.6.5 Predictions on the Fifth Round
	6.7 Methods Used in Predicting COVID-19
		6.7.1 Recurrent Neural Networks (RNN)
		6.7.2 Long Short-Term Memory (LSTM) and Its Variants
		6.7.3 Deep LSTM/Stacked LSTM
		6.7.4 Bidirectional LSTM (Bi-LSTM)
	6.8 Conclusion
	References
7: Machine Learning Approaches in Detection and Diagnosis of COVID-19
	7.1 Introduction
	7.2 Review of ML Approaches in Detection of Pneumonia in General
	7.3 Application of Deep Learning Approaches in COVID-19 Detection
		7.3.1 Deep Learning Model Frameworks
			7.3.1.1 ResNet Models
			7.3.1.2 Other CNN Models
		7.3.2 The Data Imbalance Challenge
		7.3.3 Interpretation/Visualization of Results
		7.3.4 Performance Measurement Metrics
	7.4 Challenges
	7.5 Summary
	References
8: Applications of Machine Learning Algorithms in Cancer Diagnosis
	8.1 Introduction
		8.1.1 Machine Learning in Healthcare
		8.1.2 Cancer Study Using ML
	8.2 Machine Learning Techniques
	8.3 Machine Learning and Cancer Prediction/Prognosis
		8.3.1 Cancer: The Dreaded Disease and a Case Study for ML
		8.3.2 Machine Learning in Cancer
		8.3.3 Dataset for Cancer Study
		8.3.4 Steps to Implement Machine Learning
		8.3.5 Tool Selection for Cancer Predictions
		8.3.6 Methodology, Selection of ML Algorithm, and Metrics for Performance Measurement of ML in Cancer Prognosis
	8.4 Results and Analysis
		8.4.1 Liver Cancer Dataset
		8.4.2 Prostate Cancer Dataset
		8.4.3 Breast Cancer Dataset
	8.5 Major Findings and Issues
	8.6 Future Possibilities and Challenges in Cancer Prognosis
	References
9: Use of Artificial Intelligence in Research and Clinical Decision Making for Combating Mycobacterial Diseases
	9.1 Introduction of Technological Advancements and High Throughput Data in Genomics and Proteomics Work
		9.1.1 High Throughput Screening of Tuberculosis
		9.1.2 High Throughput Screening of Leprosy
		9.1.3 High Throughput and Ultra-High Throughput Screening of Compound Libraries for Drug Discovery and Drug Repurposing
	9.2 High Volume Data and the Bottleneck in Data Analysis
		9.2.1 Development of Omics Data
		9.2.2 NGS and its Use in Clinical Decision-Making, Proteomics, Docking, Simulations, Drug Screening (Repurposing of Drugs)
	9.3 Advent of Artificial Intelligence (AI) and Machine Learning (ML)
		9.3.1 Machine Learning and Deep Learning (DL) Algorithms
		9.3.2 AI in Drug Repurposing
		9.3.3 Examples from NGS and its Use in Clinical Decision-Making, Proteomics, Docking, Simulations, Drug Screening (Repurposing...
	9.4 Illustrations of Machine Learning in Different Research Fields
		9.4.1 AI and ML in Covid-19-Related Research
		9.4.2 AI and ML in Skin Diseases
	9.5 Limitations of AI and ML
	9.6 Can Machines Become a Total Replacement for Human Intelligence?
	9.7 Concluding Remarks
	References
10: Bias in Medical Big Data and Machine Learning Algorithms
	10.1 Introduction
	10.2 Medical Big Data (MBD)
	10.3 Analysis of Medical Big Data
	10.4 Bias
		10.4.1 Perceptive Bias
			10.4.1.1 Problem Definition
			10.4.1.2 Social and Technical Aspects
			10.4.1.3 Fairness of Data
		10.4.2 Processing Bias
			10.4.2.1 Pre-Processing
			10.4.2.2 In-Processing
			10.4.2.3 Post Processing
		10.4.3 Computing Bias
			10.4.3.1 Awareness of Bias
			10.4.3.2 Modelling Bias
			10.4.3.3 AI Decisions
	10.5 Conclusion
	References




نظرات کاربران