بررسی کارایی سیستم دسته بند یادگیر برای شناسایی بیماران قلبی

بیماری های قلبی یکی از شایع ترین بیماری ها در جهان هستند که تعداد افراد مبتلابه آن در حال افزایش هستند. درصورتی که درمان موردنیاز در زمان مناسب صورت نگیرد، می تواند باعث مرگ بیمار شود. ازاین رو تشخیص دقیق در مرحله معاینه اولیه به همراه درمان مناسب می تواند منجر به کاهش میزان مرگ ومیر گردد. برای رسیدن به این مهم می توان از تکنیک های موجود در زمینه دسته بند بهره گرفت. با توجه به اهمیت یادگیری در زندگی انسان ها و پیاده سازی راه کارهای مناسب از طریق دانش و تجربه این تکنیک ها می تواند در یادگیری فرآیند تشخیص نقش اساسی داشته باشند عبارت یادگیری یعنی به دست آوردن دانش از طریق جستجو، مطالعه و تجربه یا آموزش. یادگیری دارای انواع متفاوتی است که یادگیری ماشینی یکی از شاخه های پرکاربرد هوش مصنوعی در زمینه تنظیم، اکتشاف شیوه ها و همچنین الگوریتم های یادگیری هست. یادگیری های متفاوتی در هوش مصنوعی وجود دارند که عبارت اند از: یادگیری تقویتی، الگوریتم ژنتیک و سیستم های دسته بند یادگیر. سیستم های دسته بند یادگیر دارای تکنیک های یادگیری مبتنی بر قاعده هستند که بر اساس دو اصل یادگیری تقویتی و الگوریتم های تکاملی ژنتیک بناشده اند و با توجه به قدرتمند بودن آن ها می توانند دسته بندی پارامترهای مسائل مختلف را انجام دهند. دسته بندهای گوناگونی بر اساس سه مولفه تکنیکی وجود دارند که این مولفه ها شامل بازنمایی دانش، یادگیری تقویتی و تکامل قوانین هست. به طورکلی این ها بر اساس دو نظریه متفاوت دارای دو نگرش میشیگان و پتسبورگ بنا گردیده اند. در این دو نگرش بر اساس اهمیت موضوع و نوع استفاده بهینه بهترین سبک انتخاب می شود. شناسایی بیماران قلبی با استفاده از سیستم دسته بند یادگیر بر مبنای سبک میشیگان با توجه به داده های بیماران و انتخاب ویژگی ها می تواند نتایج بهبود تشخیص را منتج شود.

کلیدواژه ها:

بیماری های قلبی ، سیستم دسته بند یادگیر ، یادگیری ماشینی ، یادگیری مبتنی برقاعده.