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 Machine Learning in Medicine - a Complete Overview

دانلود کتاب یادگیری ماشین در پزشکی - یک مرور کلی

Machine Learning in Medicine - a Complete Overview

مشخصات کتاب

Machine Learning in Medicine - a Complete Overview

ویرایش: 1 
نویسندگان: ,   
سری:  
ISBN (شابک) : 9783319151946, 9783319151953 
ناشر: Springer International Publishing 
سال نشر: 2015 
تعداد صفحات: 498 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت 

قیمت کتاب (تومان) : 53,000



کلمات کلیدی مربوط به کتاب یادگیری ماشین در پزشکی - یک مرور کلی: زیست پزشکی عمومی، پزشکی/بهداشت عمومی، عمومی، آمار، عمومی، علوم، عمومی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Machine Learning in Medicine - a Complete Overview 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 یادگیری ماشین در پزشکی - یک مرور کلی 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 یادگیری ماشین در پزشکی - یک مرور کلی



کتاب حاضر اولین انتشار از یک مرور کلی از روش‌های یادگیری ماشین برای بخش پزشکی و سلامت است. نه تنها برای پزشکان و دانش آموزان، بلکه برای هرکسی که در روند و پیشرفت سلامت و مراقبت بهداشتی دخیل است، به عنوان یک همراه آموزشی و به عنوان یک مطالعه ضروری نوشته شده است. در هشتاد فصل، هشتاد روش مختلف یادگیری ماشین، در ترکیب با نمونه‌های داده برای خودارزیابی، بررسی می‌شوند. هر فصل را می‌توان بدون نیاز به مشورت با فصل‌های دیگر مطالعه کرد.

مقدار داده‌های ذخیره‌شده در پایگاه‌های اطلاعاتی جهان هر ۲۰ ماه دو برابر می‌شود و پزشکانی که با روش‌های آماری سنتی آشنا هستند، تجزیه و تحلیل آن‌ها را از دست می‌دهند. . روش‌های سنتی در واقع برای شناسایی نقاط پرت در مجموعه‌های داده بزرگ و یافتن الگوها در کلان داده‌ها و داده‌ها با متغیرهای مواجهه/نتیجه متعدد مشکل دارند. علاوه بر این، قواعد تجزیه و تحلیل برای نظرسنجی ها و پرسشنامه ها، که در حال حاضر روش های رایج جمع آوری داده ها هستند، اساساً وجود ندارد. خوشبختانه، رشته جدید، یادگیری ماشینی، می‌تواند تمام این محدودیت‌ها را پوشش دهد.

تا کنون متخصصان پزشکی نسبت به استفاده از یادگیری ماشین تمایلی نشان نداده‌اند. همچنین، در زمینه تشخیص، تعداد کمی از پزشکان ممکن است بخواهند رایانه آنها را بررسی کند، علاقه مند به همکاری با رایانه یا مهندسان رایانه باشند. با این حال، مراقبت های بهداشتی و بهداشتی کافی به زودی بدون نظارت صحیح داده ها از روش های مدرن یادگیری ماشین مانند مدل های خوشه ای، شبکه های عصبی و سایر روش های داده کاوی غیرممکن خواهد بود.

هر فصل با اهداف و سؤالات علمی شروع می شود. سپس، تجزیه و تحلیل گام به گام، با استفاده از مثال های داده، آورده شده است. در نهایت، یک پاراگراف با نتیجه گیری و ارجاع به سایت های مربوط به سه کتاب مقدماتی، که قبلاً توسط همان نویسندگان نوشته شده است، آورده شده است.


توضیحاتی درمورد کتاب به خارجی

The current book is the first publication of a complete overview of machine learning methodologies for the medical and health sector. It was written as a training companion and as a must-read, not only for physicians and students, but also for any one involved in the process and progress of health and health care. In eighty chapters eighty different machine learning methodologies are reviewed, in combination with data examples for self-assessment. Each chapter can be studied without the need to consult other chapters.

The amount of data stored in the world's databases doubles every 20 months, and clinicians, familiar with traditional statistical methods, are at a loss to analyze them. Traditional methods have, indeed, difficulty to identify outliers in large datasets, and to find patterns in big data and data with multiple exposure / utcome variables. In addition, analysis-rules for surveys and questionnaires, which are currently common methods of data collection, are, essentially, missing. Fortunately, the new discipline, machine learning, is able to cover all of these limitations.

So far medical professionals have been rather reluctant to use machine learning. Also, in the field of diagnosis making, few doctors may want a computer checking them, are interested in collaboration with a computer or with computer engineers. Adequate health and health care will, however, soon be impossible without proper data supervision from modern machine learning methodologies like cluster models, neural networks and other data mining methodologies.

Each chapter starts with purposes and scientific questions. Then, step-by-step analyses, using data examples, are given. Finally, a paragraph with conclusion, and references to the corresponding sites of three introductory textbooks, previously written by the same authors, is given.



فهرست مطالب

Front Matter....Pages i-xxiv
Front Matter....Pages 1-1
Hierarchical Clustering and K-Means Clustering to Identify Subgroups in Surveys (50 Patients)....Pages 3-8
Density-Based Clustering to Identify Outlier Groups in Otherwise Homogeneous Data (50 Patients)....Pages 9-11
Two Step Clustering to Identify Subgroups and Predict Subgroup Memberships in Individual Future Patients (120 Patients)....Pages 13-15
Nearest Neighbors for Classifying New Medicines (2 New and 25 Old Opioids)....Pages 17-24
Predicting High-Risk-Bin Memberships (1,445 Families)....Pages 25-29
Predicting Outlier Memberships (2,000 Patients)....Pages 31-34
Data Mining for Visualization of Health Processes (150 Patients)....Pages 35-46
Trained Decision Trees for a More Meaningful Accuracy (150 Patients)....Pages 47-52
Typology of Medical Data (51 Patients)....Pages 53-60
Predictions from Nominal Clinical Data (450 Patients)....Pages 61-65
Predictions from Ordinal Clinical Data (450 Patients)....Pages 67-70
Assessing Relative Health Risks (3,000 Subjects)....Pages 71-75
Measuring Agreement (30 Patients)....Pages 77-79
Column Proportions for Testing Differences Between Outcome Scores (450 Patients)....Pages 81-85
Pivoting Trays and Tables for Improved Analysis of Multidimensional Data (450 Patients)....Pages 87-94
Online Analytical Procedure Cubes, a More Rapid Approach to Analyzing Frequencies (450 Patients)....Pages 95-99
Restructure Data Wizard for Data Classified the Wrong Way (20 Patients)....Pages 101-104
Control Charts for Quality Control of Medicines (164 Tablet Desintegration Times)....Pages 105-110
Front Matter....Pages 111-111
Linear, Logistic, and Cox Regression for Outcome Prediction with Unpaired Data (20, 55, and 60 Patients)....Pages 113-121
Generalized Linear Models for Outcome Prediction with Paired Data (100 Patients and 139 Physicians)....Pages 123-129
Front Matter....Pages 111-111
Generalized Linear Models Event-Rates (50 Patients)....Pages 131-135
Factor Analysis and Partial Least Squares (PLS) for Complex-Data Reduction (250 Patients)....Pages 137-142
Optimal Scaling of High-Sensitivity Analysis of Health Predictors (250 Patients)....Pages 143-148
Discriminant Analysis for Making a Diagnosis from Multiple Outcomes (45 Patients)....Pages 149-153
Weighted Least Squares for Adjusting Efficacy Data with Inconsistent Spread (78 Patients)....Pages 155-158
Partial Correlations for Removing Interaction Effects from Efficacy Data (64 Patients)....Pages 159-163
Canonical Regression for Overall Statistics of Multivariate Data (250 Patients)....Pages 165-169
Multinomial Regression for Outcome Categories (55 Patients)....Pages 171-174
Various Methods for Analyzing Predictor Categories (60 and 30 Patients)....Pages 175-182
Random Intercept Models for Both Outcome and Predictor Categories (55 patients)....Pages 183-187
Automatic Regression for Maximizing Linear Relationships (55 patients)....Pages 189-194
Simulation Models for Varying Predictors (9,000 Patients)....Pages 195-201
Generalized Linear Mixed Models for Outcome Prediction from Mixed Data (20 Patients)....Pages 203-206
Two-Stage Least Squares (35 Patients)....Pages 207-210
Autoregressive Models for Longitudinal Data (120 Mean Monthly Population Records)....Pages 211-217
Variance Components for Assessing the Magnitude of Random Effects (40 Patients)....Pages 219-222
Ordinal Scaling for Clinical Scores with Inconsistent Intervals (900 Patients)....Pages 223-227
Loglinear Models for Assessing Incident Rates with Varying Incident Risks (12 Populations)....Pages 229-232
Loglinear Modeling for Outcome Categories (445 Patients)....Pages 233-239
Heterogeneity in Clinical Research: Mechanisms Responsible (20 Studies)....Pages 241-244
Front Matter....Pages 111-111
Performance Evaluation of Novel Diagnostic Tests (650 and 588 Patients)....Pages 245-251
Quantile-Quantile Plots, a Good Start for Looking at Your Medical Data (50 Cholesterol Measurements and 58 Patients)....Pages 253-259
Rate Analysis of Medical Data Better than Risk Analysis (52 Patients)....Pages 261-264
Trend Tests Will Be Statistically Significant if Traditional Tests Are Not (30 and 106 Patients)....Pages 265-269
Doubly Multivariate Analysis of Variance for Multiple Observations from Multiple Outcome Variables (16 Patients)....Pages 271-277
Probit Models for Estimating Effective Pharmacological Treatment Dosages (14 Tests)....Pages 279-287
Interval Censored Data Analysis for Assessing Mean Time to Cancer Relapse (51 Patients)....Pages 289-293
Structural Equation Modeling (SEM) with SPSS Analysis of Moment Structures (Amos) for Cause Effect Relationships I (35 Patients)....Pages 295-300
Structural Equation Modeling (SEM) with SPSS Analysis of Moment Structures (Amos) for Cause Effect Relationships in Pharmacodynamic Studies II (35 Patients)....Pages 301-306
Front Matter....Pages 307-307
Neural Networks for Assessing Relationships That Are Typically Nonlinear (90 Patients)....Pages 309-312
Complex Samples Methodologies for Unbiased Sampling (9,678 Persons)....Pages 313-319
Correspondence Analysis for Identifying the Best of Multiple Treatments in Multiple Groups (217 Patients)....Pages 321-325
Decision Trees for Decision Analysis (1,004 and 953 Patients)....Pages 327-334
Multidimensional Scaling for Visualizing Experienced Drug Efficacies (14 Pain-Killers and 42 Patients)....Pages 335-344
Stochastic Processes for Long Term Predictions from Short Term Observations....Pages 345-351
Optimal Binning for Finding High Risk Cut-offs (1,445 Families)....Pages 353-357
Conjoint Analysis for Determining the Most Appreciated Properties of Medicines to Be Developed (15 Physicians)....Pages 359-364
Item Response Modeling for Analyzing Quality of Life with Better Precision (1,000 Patients)....Pages 365-369
Survival Studies with Varying Risks of Dying (50 and 60 Patients)....Pages 371-375
Fuzzy Logic for Improved Precision of Dose-Response Data (8 Induction Dosages)....Pages 377-381
Front Matter....Pages 307-307
Automatic Data Mining for the Best Treatment of a Disease (90 Patients)....Pages 383-390
Pareto Charts for Identifying the Main Factors of Multifactorial Outcomes (2,000 Admissions to Hospital)....Pages 391-396
Radial Basis Neural Networks for Multidimensional Gaussian Data (90 Persons)....Pages 397-400
Automatic Modeling of Drug Efficacy Prediction (250 Patients)....Pages 401-408
Automatic Modeling for Clinical Event Prediction (200 Patients)....Pages 409-416
Automatic Newton Modeling in Clinical Pharmacology (15 Alfentanil Dosages, 15 Quinidine Time-Concentration Relationships)....Pages 417-422
Spectral Plots for High Sensitivity Assessment of Periodicity (6 Years’ Monthly C Reactive Protein Levels)....Pages 423-428
Runs Test for Identifying Best Regression Models (21 Estimates of Quantity and Quality of Patient Care)....Pages 429-433
Evolutionary Operations for Process Improvement (8 Operation Room Air Condition Settings)....Pages 435-438
Bayesian Networks for Cause Effect Modeling (600 Patients)....Pages 439-444
Support Vector Machines for Imperfect Nonlinear Data (200 Patients with Sepsis)....Pages 445-449
Multiple Response Sets for Visualizing Clinical Data Trends (811 Patient Visits)....Pages 451-457
Protein and DNA Sequence Mining....Pages 459-464
Iteration Methods for Crossvalidations (150 Patients with Pneumonia)....Pages 465-469
Testing Parallel-Groups with Different Sample Sizes and Variances (5 Parallel-Group Studies)....Pages 471-473
Association Rules Between Exposure and Outcome (50 and 60 Patients)....Pages 475-479
Confidence Intervals for Proportions and Differences in Proportions (100 and 75 Patients)....Pages 481-484
Ratio Statistics for Efficacy Analysis of New Drugs (50 Patients)....Pages 485-489
Fifth Order Polynomes of Circadian Rhythms (1 Patient with Hypertension)....Pages 491-496
Gamma Distribution for Estimating the Predictors of Medical Outcome Scores (110 Patients)....Pages 497-503
Back Matter....Pages 505-516




نظرات کاربران