Prediction of corona-virus infection by using deep learning and machine learning
Derin öğrenme ve makine öğrenmeyle korona-virüs enfeksiyonunun tahmini
- Tez No: 772596
- Danışmanlar: DOÇ. DR. PINAR YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: COVID 19, Derin öğrenme, Karar ağacı, Makine öğrenmesi, Rastgele ormanlar, Yapay sinir ağları, Yapay zeka, COVID 19, Deep learning, Decision tree, Machine learning, Random forests, Artificial neural networks, Artificial intelligence
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Coronavirüsün dünya çapında hızla yayılması ve mutasyona uğramış diğer türlerin ortaya çıkmasıyla birlikte, bu salgını kontrol altına almak ve tedavi etmek için cevaplar bulmak çok önemlidir. Bu araştırma, yapay zeka gibi tıbbi olmayan stratejiler kullanarak enfekte örnekleri tahmin etmek için yeni ve umut verici bir yaklaşım sunuyor. Semptomlar, en yaygın, en az yaygın ve şiddetli semptomlar olarak sınıflara ayrılırlar. Bu araştırma, bir tahmin modeli şekillendirmeyi, COVID-19 ile enfekte olan ve olmayanları belirlemeyi ve klinisyenler için ek maliyet etkin, doğru, zaman kazandıran ve kullanımı kolay sistemler, prosedürler ve destek yöntemleri geliştirmeye yardımcı olmayı amaçlamaktadır. Verileri kategorize etmek için bir yapay sinir ağı ve bazı yaygın kullanılan makine öğrenme algoritmaları kullanılmıştır. Veri seti 1495 vaka ve 15 özellikten (yaş, ateş, cinsiyet, öksürük, yorgunluk, burun tıkanıklığı, ağrı, nefes darlığı, burun akıntısı, boğaz ağrısı, ishal, titreme, baş ağrısı, kusma ve etkilenen bölgede yaşama) oluşmaktadır. Veri seti, %75 Eğitim kayıtları ve %25 Test bilgilerine bölünür ve sınıflandırma algoritmaları uygulanır. Pandas, NumPy ve Matplotlib gibi Python kütüphaneleri, Keras ve Sklearn kullanımına ek olarak kullanılmıştır. Enfeksiyon vakalarını belirlemede en etkili değişkenler, tahmin algoritmalarından tasarlanan modele dayalı olarak analiz edilmiştir. Model, enfekte olan ve olmayan vakaların belirlenmesinde etkili bir tahmin göstermektedir. Yapay Sinir ağı, %85'in üzerinde bir doğruluk sağlamaktadır. Ayrıca, makine öğreniminde rastgele orman algoritmaları ve karar ağaçları ile %91'den fazla doğruluk elde edilmiştir.
Özet (Çeviri)
With the fast spread of the Coronavirus worldwide and the emergence of other mutated types, it is crucial to locate answers to contain and treat this epidemic. This research presents a novel and promising approach to expect the infected instances, using non-medical strategies such as synthetic intelligence. They are based on the different symptoms of the disease, which are classified symptoms into the most common, the least common. This investigation aims to shape a prediction model, identify those infected and uninfected with COVID-19, and help develop additional cost-effective, accurate, time-saving, and easy-to-use systems, procedures, and support methods for clinicians. An artificial neural network and some famous machine learning algorithms have been used to categorize the data. The dataset consists of 1495 cases and 15 characteristics (age, fever, gender, cough, fatigue, nasal congestion, pain, shortness of breath, runny nose, sore throat, diarrhea, chills, headache, vomiting, and living in the affected area). The information set is divided into 75% Training records and 25% Testing information and prediction algorithms were applied. Python libraries like Pandas, NumPy, and Matplotlib are also used further to the use of Keras and Sklearn. The most influential variables in identifying cases of infection were analyzed based on the model designed from prediction algorithms. The model shows an effective prediction in the identification of infected and non-infected cases. The neural network provides an accuracy of more than 85%. In machine learning, for example, random forest algorithms and decision trees got more than 91% accuracy.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- COVİD-19 tanısı ile Hacettepe Üniversitesi erişkin hastanesinde izlenen hastaların hastalık ile ilgili risk algıları ve yaşam tarzı değişikliği planlarının değerlendirilmesi
Evaluation of disease-related risk perceptions and lifestyle change plans of patients followed up at Hacettepe University adult hospital with the diagnosis of COVİD-19
KAMIL ZARNISHANOV
Tıpta Uzmanlık
Türkçe
2021
İç HastalıklarıHacettepe Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. GÜLAY SAİN GÜVEN
DR. ÖĞR. ÜYESİ NURSEL ÇALIK BAŞARAN
- COVID-19 pandemisi sürecinde evlilik uyumuyla ilişkili faktörler olarak ruhsal yakınmalar ve psikolojik dayanıklılık
Mental complaints and psychological resilience as factors related to marriage adjustment during the COVID-19 pandemic process
ZELİHA KOÇAK
Yüksek Lisans
Türkçe
2021
PsikolojiKto Karatay ÜniversitesiAile Danışmanlığı Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ HATİCE HARMANCI
- COVID-19 enfeksiyonunda koagulasyon parameterleri ile mortalite arasındaki ilişkinin araştırılması
Investigation of the relationship between coagulation parameters and mortality in COVID-19 infection
FATİH İKİZ
- Predicting novel small inhibitors of SARS-CoV-2: Targeting SARS-CoV-2 spike protein, human ACE2 protein and SARS-CoV-2 NsP16 via molecular docking
SARS-CoV-2 için yeni küçük inhibitör moleküllerin tahmini: Moleküler yanaştırma yöntemiyle SARS-CoV-2 spike proteini, insan ACE2 proteini ve SARS-CoV-2 NsP16 hedeflenmesi
ONUR ÖZER
Yüksek Lisans
İngilizce
2022
Biyomühendislikİstanbul Teknik ÜniversitesiMoleküler Biyoloji-Genetik ve Biyoteknoloji Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MERT GÜR
DR. ÖĞR. ÜYESİ SEFER BADAY