Name: Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete (en Italiano)
Price: 88420.00 CLP
Availability: InStock
Author: Roobini, M. S. ; Clemency, C. A. Daphine Desona ; D, Aishwarya
ISBN: 9786206965138

portada Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete (en Italiano)

Formato

Libro Físico

Autor

M. S. Roobini

C. A. Daphine Desona Clemency

Aishwarya D

Editorial

Edizioni Sapienza

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

Peso

0.10 kg.

ISBN13

9786206965138

Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete (en Italiano)

M. S. Roobini (Autor) · C. A. Daphine Desona Clemency (Autor) · Aishwarya D (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo

$ 88.420

$ 122.800

Ahorras: $ 34.380

28% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Jueves 25 de Julio y el Jueves 01 de Agosto.

Lo recibirás en cualquier lugar de Chile entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete (en Italiano)"

L'aumento dei casi di diabete di tipo 2 ha alimentato la ricerca di solidi sistemi diagnostici. L'integrazione dell'apprendimento automatico migliora questi sistemi analizzando diversi set di dati e affrontando le complicazioni associate come l'obesità, le cattive abitudini e l'ipertensione. La diagnosi precoce è fondamentale, date le gravi implicazioni per la salute. Il ML, abbinato all'elaborazione del linguaggio naturale, aiuta nella prognosi, nella diagnosi e nei piani di prevenzione. Utilizzando il dataset PIDD (768 campioni, 16 attributi), questa ricerca si concentra sulla previsione del diabete con un set di caratteristiche ampliato. La pre-elaborazione prevede la normalizzazione, il bilanciamento con SMOTE e i controlli di completezza per migliorare l'accuratezza del modello. Nel complesso, questo studio sottolinea il ruolo fondamentale del ML nel far progredire la comprensione e le capacità predittive del diabete di tipo 2 attraverso metodologie e selezioni meticolose dei set di dati.