ترجمه فارسی مقاله یادگیری ماشین برای پیش بینی نمره Alsfrs-R: ایجاد داده های سنسور

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data
عنوان مقاله به فارسی یادگیری ماشین برای پیش بینی نمره Alsfrs-R: ایجاد داده های سنسور
نویسندگان Ritesh Mehta, Aleksandar Pramov, Shashank Verma
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 10 July, 2024; originally announced July 2024. , Comments: Paper submitted to CLEF 2024 CEUR-WS
توضیحات به فارسی 10 ژوئیه 2024 ارسال شد.در ابتدا ژوئیه 2024 اعلام شد ، نظرات: مقاله ارسال شده به CLEF 2024 CEUR-WS
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Amyotrophic Lateral Sclerosis (ALS) is characterized as a rapidly progressive neurodegenerative disease that presents individuals with limited treatment options in the realm of medical interventions and therapies. The disease showcases a diverse range of onset patterns and progression trajectories, emphasizing the critical importance of early detection of functional decline to enable tailored care strategies and timely therapeutic interventions. The present investigation, spearheaded by the iDPP@CLEF 2024 challenge, focuses on utilizing sensor-derived data obtained through an app. This data is used to construct various machine learning models specifically designed to forecast the advancement of the ALS Functional Rating Scale-Revised (ALSFRS-R) score, leveraging the dataset provided by the organizers. In our analysis, multiple predictive models were evaluated to determine their efficacy in handling ALS sensor data. The temporal aspect of the sensor data was compressed and amalgamated using statistical methods, thereby augmenting the interpretability and applicability of the gathered information for predictive modeling objectives. The models that demonstrated optimal performance were a naive baseline and ElasticNet regression. The naive model achieved a Mean Absolute Error (MAE) of 0.20 and a Root Mean Square Error (RMSE) of 0.49, slightly outperforming the ElasticNet model, which recorded an MAE of 0.22 and an RMSE of 0.50. Our comparative analysis suggests that while the naive approach yielded marginally better predictive accuracy, the ElasticNet model provides a robust framework for understanding feature contributions.

چکیده به فارسی (ترجمه ماشینی)

اسکلروز جانبی آمیوتروفیک (ALS) به عنوان یک بیماری عصبی به سرعت در حال پیشرفت است که افراد دارای گزینه های درمانی محدود در قلمرو مداخلات پزشکی و روشهای درمانی است.این بیماری طیف متنوعی از الگوهای شروع و مسیرهای پیشرفت را نشان می دهد ، و بر اهمیت اساسی تشخیص زودرس کاهش عملکردی برای فعال کردن استراتژی های مراقبت متناسب و مداخلات درمانی به موقع تأکید می کند.تحقیقات حاضر ، هدایت شده توسط IDPP@CLEF 2024 Challenge ، بر استفاده از داده های مشتق از سنسور به دست آمده از طریق یک برنامه متمرکز است.این داده ها برای ساخت مدل های مختلف یادگیری ماشین استفاده می شود که به طور خاص برای پیش بینی پیشرفت نمره عملکرد عملکردی ALS (ALSFRS-R) طراحی شده و از مجموعه داده های ارائه شده توسط سازمان دهندگان استفاده می شود.در تجزیه و تحلیل ما ، چندین مدل پیش بینی کننده برای تعیین اثربخشی آنها در رسیدگی به داده های سنسور ALS مورد بررسی قرار گرفت.جنبه زمانی داده های سنسور با استفاده از روشهای آماری فشرده و ادغام شد و از این طریق تفسیر و کاربرد اطلاعات جمع آوری شده برای اهداف مدل سازی پیش بینی شده را تقویت کرد.مدلهایی که عملکرد بهینه را نشان می دهند ، یک پایه ساده و رگرسیون الاستیک بودند.مدل ساده لوح یک خطای مطلق (MAE) 0.20 و میانگین خطای مربع ریشه (RMSE) 0.49 به دست آورد ، کمی بهتر از مدل الاستیک نت ، که MAE 0.22 و RMSE 0.50 را ثبت کرد.تجزیه و تحلیل تطبیقی ​​ما نشان می دهد که در حالی که رویکرد ساده لوحانه دقت پیش بینی کننده حاشیه ای بهتر را به همراه داشت ، مدل ElasticNet چارچوبی قوی برای درک سهم ویژگی ها فراهم می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.