Practical AI for Healthcare Professionals: Machine Learning with Numpy, Scikit-learn, and TensorFlow

از هوش مصنوعی (AI) برای تجزیه و تحلیل و تشخیص آنچه که قبلاً فقط توسط متخصصان پزشکی آموزش دیده قابل رسیدگی بود استفاده کنید. این کتاب مقدمه ای بر هوش مصنوعی عملی با تمرکز بر مشکلات پزشکی واقعی، نحوه حل آنها با کد واقعی و نحوه ارزیابی کارایی این راه حل ها ارائه می دهد.

شما با یادگیری نحوه تشخیص مشکلات به عنوان مشکلاتی که با هوش مصنوعی یا الگوریتم‌های علوم رایانه قابل حل هستند و نمی‌توان آن‌ها را حل کرد، شروع می‌کنید. اگر با آن الگوریتم ها آشنا نیستید، مشکلی نیست. شما اصول اولیه الگوریتم ها و شبکه های عصبی و زمانی که هر کدام باید اعمال شوند را یاد خواهید گرفت. سپس به بخش‌های اساسی برنامه‌نویسی پایتون مربوط به پردازش داده‌ها و ساخت برنامه‌های هوش مصنوعی می‌پردازید. کتابخانه TensorFlow همراه با Numpy و Scikit-Learn نیز پوشش داده شده است.

پس از تسلط بر مفاهیم پایه علوم کامپیوتر، می توانید در سه پروژه با کد، جزئیات پیاده سازی و توضیح، و تجزیه و تحلیل ابزار تشخیصی غوطه ور شوید. این پروژه‌ها به شما این تغییر را می‌دهند تا با استفاده از الگوریتم‌های یادگیری ماشینی برای تشخیص دیابت از داده‌های بیمار، استفاده از شبکه‌های عصبی پایه برای پیش‌بینی بیماری قلبی از داده‌های قلبی، و استفاده از شبکه‌های کانولوشنال برای تقسیم‌بندی تومور مغز از اسکن‌های MRI، کاوش کنید.

موضوعات و پروژه‌های تحت پوشش نه تنها حوزه‌هایی از حوزه پزشکی را در بر می‌گیرند که هوش مصنوعی در حال حاضر نقش مهمی را ایفا می‌کند، بلکه مهندسی شده‌اند تا تا حد امکان هوش مصنوعی مرتبط با تشخیص پزشکی را پوشش دهند. در طول مسیر، خوانندگان می توانند انتظار داشته باشند که پردازش داده، نحوه مفهوم سازی مسائلی را که می توان با هوش مصنوعی حل کرد، و نحوه برنامه ریزی راه حل برای مشکلات با استفاده از کتابخانه های مدرن، مانند TensorFlow، یاد بگیرند. پزشکان و سایر متخصصان مراقبت‌های بهداشتی که می‌توانند بر این مهارت‌ها مسلط شوند، می‌توانند تحقیقات مبتنی بر هوش مصنوعی و توسعه ابزار تشخیصی را رهبری کنند، که در نهایت از بیماران بی‌شماری سود می‌برند.

آنچه یاد خواهید گرفت

• مشکلاتی را که در حال حاضر می توان و نمی توان با هوش مصنوعی حل کرد تفاوت قائل شوید
  
• مفاهیم برنامه نویسی کارشناسی ارشد که برای پزشکان آشنا نیست، مانند کتابخانه‌ها، کدگذاری، و ایجاد و آموزش مدل‌های ML
  
• تحلیل مجموعه داده‌ها را با درخت‌های تصمیم، SVM و شبکه‌های عصبی انجام دهید.
  

این کتاب برای چه کسی است

پزشکان و سایر متخصصان مراقبت‌های بهداشتی که در مورد هوش مصنوعی کنجکاو هستند و به ابتکارات نوآوری پزشکی پیشرو علاقه دارند. علاوه بر این، مهندسان نرم‌افزاری که روی پروژه‌های مرتبط با مراقبت‌های بهداشتی مرتبط با هوش مصنوعی کار می‌کنند.

Use Artificial Intelligence (AI) to analyze and diagnose what previously could only be handled by trained medical professionals. This book gives an introduction to practical AI, focusing on real-life medical problems, how to solve them with actual code, and how to evaluate the efficacy of these solutions. 

You’ll start by learning how to diagnose problems as ones that can and cannot be solved with AI or computer science algorithms. If you’re not familiar with those algorithms, that’s not a problem. You’ll learn the basics of algorithms and neural networks and when each should be applied. Then you’ll tackle the essential parts of basic Python programming relevant to data processing and making AI programs. The TensorFlow library alogn with Numpy and Scikit-Learn are covered, too. 

Once you’ve mastered those basic computer science concepts, you can dive into three projects with code, implementation details and explanation, and diagnostic utility analysis. These projects give you the change to explore using machine learning algorithms for diagnosing diabetes from patient data, using basic neural networks for heart disease prediction from cardiac data, and using convolutional networks for brain tumor segmentation from MRI scans

The topics and projects covered not only encompass areas of the medical field where AI is already playing a major role but also are engineered to cover as much as possible of AI that is relevant to medical diagnostics. Along the way, readers can expect to learn data processing, how to conceptualize problems that can be solved by AI, and how to program solutions to problems using modern libraries, such as TensorFlow. Physicians and other healthcare professionals who can master these skills will be able to lead AI-based research and diagnostic tool development, ultimately benefiting countless patients.

What You'll Learn

• Distinguish between problems that currently can and cannot be solved with AI
  
• Master programming concepts not familiar to physicians, such as libraries, coding, and creating and training ML models
  
• Perform dataset analysis with decision trees, SVMs, and neural networks.
  

Who This Book Is For

Physicians and other healthcare professionals  curious about AI and interested in leading medical innovation initiatives. Additionally, software engineers working on healthcare related projects involving AI.