ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Investigation and Comparison of Effective Machine Learning Algorithms in order to Improve the Prediction of Corona Virus Behavior

سال انتشار: 1399
کد COI مقاله: ITCT11_021
زبان مقاله: انگلیسیمشاهد این مقاله: 11
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Investigation and Comparison of Effective Machine Learning Algorithms in order to Improve the Prediction of Corona Virus Behavior

Bardia Alaedini - Bachelor's Student of Shamsipour Technical University, Tehran, Iran
Amir Hossein Jorsaraei - Bachelor's Student of Shamsipour Technical University, Tehran, Iran
Sasan Berehlia - Teacher of Shamsipour Technical University, Tehran, Iran
Hamed Sepehrzedeh - Technical and Vocational University, Tehran, Iran

چکیده مقاله:

Covid-۱۹ virus has been affecting people's lives as an acute respiratory disease since late ۲۰۱۹. For this reason, it has become a key topic for IT professionals. Therefore, the concept of machine learning and deep learning can help a lot in controlling this virus. However, different methods of machine learning and deep learning patterns for predicting viral behavior such as mortality data and CT images of the scanned disease have been investigated. In this paper, according to the review of algorithms and work done in this field, the most optimal algorithm for predicting viral behavior in the human body has been identified. Also, these algorithms are compared and categorized based on virus detection. The results show that most of the data used were CT scan images of corona disease patients. Also, these researches have been analyzed in order to use machine learning algorithms, deep learning and neural networks. In addition, in the field of pattern recognition in this area, the most optimal algorithms are related to classical machine learning. Finally, experiments show that the best algorithm for diagnosing corona disease behavior is Naïve Bayes and SVM.

کلیدواژه ها:

Machine Learning, Deep Learning, Neural networks, Corona virus, Pattern Recognition

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1197089/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Alaedini, Bardia and Jorsaraei, Amir Hossein and Berehlia, Sasan and Sepehrzedeh, Hamed,1399,Investigation and Comparison of Effective Machine Learning Algorithms in order to Improve the Prediction of Corona Virus Behavior,یازدهمین کنفرانس بین المللی فناوری اطلاعات،کامپیوتر و مخابرات,,,https://civilica.com/doc/1197089

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Alaedini, Bardia؛ Amir Hossein Jorsaraei and Sasan Berehlia and Hamed Sepehrzedeh)
برای بار دوم به بعد: (1399, Alaedini؛ Jorsaraei and Berehlia and Sepehrzedeh)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی