ML-MT-WebApp 这是我的本科学位课程的主要项目之一。 在这里，我开发了一种疾病预测网络应用程序，该应用程序使用机器学习的概念来预测各种疾病，例如疟疾，肺炎，糖尿病等。 下面是使用的各种模型文件的名称： 癌症模型=模型 糖尿病模型=模型1 心脏模型= model2 肝模型= model4 肾脏模型= model3 疟疾模型= model111.h5 肺炎模型= my_model.h5 用于训练深度学习模型的内核 疟疾核心模型： : 肺炎模型的核心-https: 用于模型开发的各种数据集的详细信息： 癌症：cancer.csv [在资源库中] 糖尿病：dialysis.csv [在资源库中] Heart ：heart.csv [在资源库中] 肝脏： : Patient- 肾脏： : 疟疾： : 疟疾 肺炎： ： //www.kaggle.c

糖尿病预测

互联网是一个不断生长与消亡的具有小世界与无标度特性的网络。基于此,在聚类系数可变的无标度网络上建立病毒传播模型。研究节点消亡速度、网络平均度、计算机连接度对病毒传播的影响。实验结果表明:节点的消亡速度越快,越能减缓病毒的爆发速度;网络的平均度越大,病毒传播越快;病毒爆发常发生在连接度较高的计算机上。这些结论对于防范病毒在互联网上的传播,具有重要的现实意义。

基于字符串模式匹配算法的病毒感染检测问题——C语言实现。

金猪报喜病毒源码

.kfb文件查看器，可以打开.kfb文件，主要为病例切片查看。

采用52单片机，cc2530Zigbee无线自组网模块，MLX90614红外测温传感器，OLED液晶显示屏，实现可视化的病房呼叫系统设计。

针对神经性疾病难以确诊的问题，提出了一种基于图的特征选择方法，过滤掉不相干的特征，从而方便并且准确地对疾病患者进行诊断。算法首先基于先验知识定义了两种基本关系（特征关系和样本关系）；然后将这两种关系嵌入到一个由最小二次损失函数和l2 -范数正则化因子组成的多任务学习框架中进行特征选择；最后，将约简得到的降维矩阵送入支持向量机（SVM）中对阿兹海默症患者进行确诊。通过对Alzheimer’s disease neuroimaging initiative（ANDI）的研究数据集进行实验得知，提出算法的分类效果均优于一般常用分类算法，如K最近邻法（KNN）、支持向量机（SVM）等。提出的算法通过考虑特征选择和引入两种数据的内在关系，有效提高了阿兹海默疾病诊断的正确率。

主要介绍了VC实现的病毒专杀工具完整实例,详细讲述了针对病毒的进程终止、删除文件及回复注册表与启动项等,同时介绍了与之相关的系统函数,非常具有参考借鉴价值,需要的朋友可以参考下

UCI Breast Cancer 原始数据集，包含了三组乳腺癌细胞病理图像数据数据。