Пошук академічних текстів

Інформація × Реєстраційний номер 2125U003219, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Методи машинного навчання для прогнозування ризику виникнення захворювання Альцгеймера Автор Петренко Карина ІгорівнаPetrenko Karyna Ihorivna Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/76053 Видання Київ Опис Дипломна робота складається зі 143 сторінок, містить 27 рисунків, 12 таблиць, 2 додатки та 33 джерела літератури. Об’єктом дослідження стала хвороба Альцгеймера як одне з найбільш поширених нейродегенеративних захворювань. Метою дослідження є розробка та оцінка ефективності моделей машинного навчання для прогнозування ризику виникнення захворювання Альцгеймера на основі медичних та когнітивних ознак. Проблема має високу актуальність, оскільки рання діагностика хвороби Альцгеймера має вирішальне значення для своєчасного втручання та покращення якості життя пацієнтів. Застосування алгоритмів машинного навчання є перспективним підходом у створенні інтелектуальних систем підтримки прийняття рішень у сфері медицини. У ході роботи було реалізовано низку моделей машинного навчання, зокрема Decision Tree, Random Forest, XGBoost, Support Vector Machine та Stacking Ensemble. Кодування та експерименти здійснювались мовою програмування Python у середовищі Jupyter Notebook. Для оцінювання якості моделей використовувались основні метрики класифікації: Accuracy, Precision, Recall, F1-score та AUC (Area Under Curve). Здійснено аналіз п’яти моделей машинного навчання, порівняно їх характеристики і відібрано найбільш доцільні для задачі прогнозування. У рамках майбутніх досліджень планується впровадження додаткових методів підвищення точності моделей, таких як використання більшої кількості медичних показників, інтеграції часових змінних для прогнозування динаміки захворювання, а також балансування класів. The Bachelor thesis contains 143 pages, 27 figures, 12 tables, 2 appendices, 33 references. The object of the study is Alzheimer's disease as one of the most common neurodegenerative diseases. The aim of the study is to develop and evaluate the effectiveness of machine learning models for predicting the risk of Alzheimer's disease based on medical and cognitive characteristics. The problem is highly relevant, since early diagnosis of Alzheimer's disease is crucial for timely intervention and improving the quality of life of patients. The use of machine learning algorithms is a promising approach in creating intelligent decision support systems in the field of medicine. During the study, a number of machine learning models were implemented, including Decision Tree, Random Forest, XGBoost, Support Vector Machine and Stacking Ensemble. Coding and experiments were carried out in the Python programming language in the Jupyter Notebook environment. The main classification metrics were used to assess the quality of the models: Accuracy, Precision, Recall, F1-score and AUC (Area Under Curve). During the study, five models were implemented to predict the risk of Alzheimer's disease. The accuracy and efficiency of the models were analyzed based on the obtained metrics. The strengths and limitations of each model were also identified and recommendations for their further improvement were provided. In the framework of future studies, it is planned to implement additional methods to increase the accuracy of the models, such as using a larger number of medical indicators, integrating time variables to predict the dynamics of the disease, and balancing classes. Додано в НРАТ 2025-11-05 Закрити