Diabetes diagnonis using machine learning
| dc.contributor.advisor | Πρέντζα, Ανδριάνα | |
| dc.contributor.advisor | Prentza, Andriana | |
| dc.contributor.author | Μαμάνδρα, Ελένη | |
| dc.contributor.author | Mamandra, Eleni | |
| dc.date.accessioned | 2022-03-16T07:34:20Z | |
| dc.date.available | 2022-03-16T07:34:20Z | |
| dc.date.issued | 2022-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14226 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1649 | |
| dc.description.abstract | Η ανάπτυξη της τεχνολογίας και της επιστήμης των δεδομένων έχει προσφέρει σημαντική βοήθεια στον τομέα της ιατρικής και ακόμα περισσότερο στην πρόβλεψη νοσημάτων για την έγκαιρη και αποτελεσματική αντιμετώπισή τους. Η παρούσα διπλωματική εργασία έχει ως στόχο τη μελέτη της διάγνωσης του διαβήτη με χρήση τεχνικών μηχανικής μάθησης. Πιο συγκεκριμένα, αποτελεί μια μελέτη σύγκρισης αλγορίθμων μηχανικής μάθησης, ώστε να βρεθεί αυτός που προσφέρει την πιο ακριβή πρόβλεψη. Για τον σκοπό αυτό, χρησιμοποιήθηκε μια βάση δεδομένων ευρέως γνωστή στην επιστημονική βιβλιογραφία για την πρόβλεψη διαβήτη, η βάση Pima Indians Diabetes, όπου περιέχει δεδομένα και μετρήσεις που βοηθούν στην ανίχνευση του διαβήτη τύπου 2. Χρησιμοποιώντας την παραπάνω βάση δεδομένων, πραγματοποιήθηκε μοντελοποίηση με τη χρήση πλήθος κατάλληλων αλγορίθμων καθώς και υπολογισμός ικανών μέτρων αξιολόγησης για την σύγκρισή τους, με τελικό στόχο την ανάδειξη του βέλτιστου αλγορίθμου. | el |
| dc.format.extent | 86 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Diabetes diagnonis using machine learning | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The increase of technology and data science has provided significant development in the field of medicine and even more in the prediction of diseases for their timely and effective treatment. The present thesis aims to study diabetes diagnosis using machine learning techniques. More specifically, it is a study focuses on comparing machine learning algorithms as to conclude to the one that provide the most accurate prediction. For this purpose, a database widely known in the scientific bibliography for the prediction of diabetes was used, the Pima Indians Diabetes database, which contains data and measurements that help detect type 2 diabetes. Using the abovementioned database, modeling phase is performed with a number of appropriate algorithms and calculation of sufficient evaluation measures aiming to find out the optimal prediction algorithm. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Diabetes diagnosis | el |
| dc.subject.keyword | PIMA Indians dataset | el |
| dc.subject.keyword | Supervised machine learning category | el |
| dc.subject.keyword | Διάγνωση διαβήτη | el |
| dc.subject.keyword | Επιβλεπόμενη μηχανική μάθηση | el |
| dc.date.defense | 2022-02-28 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα