Name: Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung (en Alemán)
Price: 88420.00 CLP
Availability: InStock
Author: Roobini, M. S. ; Clemency, C. A. Daphine Desona ; D, Aishwarya
ISBN: 9786206965091

portada Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung (en Alemán)

Formato

Libro Físico

Autor

M. S. Roobini

C. A. Daphine Desona Clemency

Aishwarya D

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

Peso

0.11 kg.

ISBN13

9786206965091

Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung (en Alemán)

M. S. Roobini (Autor) · C. A. Daphine Desona Clemency (Autor) · Aishwarya D (Autor) · Verlag Unser Wissen · 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 "Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung (en Alemán)"

Der Anstieg der Fälle von Typ-2-Diabetes hat die Forschung an robusten Diagnosesystemen vorangetrieben. Die Integration von maschinellem Lernen verbessert diese Systeme, indem sie verschiedene Datensätze analysiert und damit verbundene Komplikationen wie Fettleibigkeit, schlechte Gewohnheiten und Bluthochdruck berücksichtigt. Angesichts der schwerwiegenden gesundheitlichen Folgen ist die Früherkennung von entscheidender Bedeutung. ML, gepaart mit natürlicher Sprachverarbeitung, hilft bei der Prognose, Diagnose und Präventionsplänen. Unter Verwendung des PIDD-Datensatzes (768 Stichproben, 16 Attribute) konzentriert sich diese Forschung auf die Vorhersage von Diabetes mit einem erweiterten Merkmalssatz. Die Vorverarbeitung umfasst Normalisierung, Abgleich mit SMOTE und Vollständigkeitsprüfungen zur Verbesserung der Modellgenauigkeit. Insgesamt unterstreicht diese Studie die zentrale Rolle von ML bei der Verbesserung des Verständnisses von Typ-2-Diabetes und der Vorhersagefähigkeiten durch sorgfältige Methodik und Datensatzauswahl.