seir传染病模型模型Mathimal_Modelling_of_a_Infectious_Disease_Simulation 使一些传染病模型适合于课堂疾病流行模拟，即“握手”疾病。 “握手”疾病是一种模拟疾病，其中该疾病是通过握手传播的。 有关课堂活动的详细信息，请参见以下网页： 。 Anthony和我已经使用Javascript编写了此活动，HTML页面如下： 。 在这个项目中，我将使用ODE（普通微分方程）模型对握手疾病的进展进行建模。 特别是，根据“握手”游戏的性质，我将研究经典SIR模型和SEIR模型对疾病进展的描述程度，并探讨可能更适合他们的变种。 这涉及数学建模，ODE的数值求解以及使用MATLAB进行模型拟合。

###阿尔茨海默病项目 这是我在 JHU 的阿尔茨海默病项目，对应于我的统计学硕士 该项目的目标是为阿尔茨海默病提供聚合生物标志物 (ADPS)，我们执行三项任务来评估其性能。 ADNI_Data_Generator.R：生成ADNI数据集的代码 ADNI_Data_Generator_New.R：用于生成 ADNI 数据集的改进代码 PPMI_Process_Data.R：生成 PPMI 数据集的代码（这是一个副项目） 分类.R：预测从 MCI 到 AD 的转换（任务 1） sample_size.R：样本大小计算（任务 2） cox.R：cox 比例风险模型（任务 3）

B.技术疾病预测项目 通过机器学习和Python开发的疾病预测系统最后一年项目 最终疾病预测项目 通过机器学习和Python开发的疾病预测系统最后一年项目 机器学习-机器学习是一种使分析模型构建自动化的数据分析方法。 它是人工智能的一个分支，其基础是系统可以从数据中学习，识别模式并在最少的人工干预下做出决策。 Scikit-learn（Sklearn）是用于Python中机器学习的最有用和最强大的库。 它通过Python中的一致性接口为机器学习和统计建模提供了一系列有效的工具，包括分类，回归，聚类和降维。 该库主要用Python编写，基于NumPy，SciPy和Matplotlib构建。 该系统通过给定的症状预测不同类型的疾病。 数据集包含4000多种疾病。 您可以在大学和工作中使用此项目 你好呀， 如何运行此项目- 现在通过给我发送邮件，以获取项目报告，PPT，项目代码和简介。

使用机器学习进行疾病预测 这个机器学习项目用于根据用户给出的症状来预测疾病。它使用三种不同的机器学习算法进行预测。因此，输出是准确的。它使用tkinter作为GUI。

疾病预测11 疾病预测系统

傅里叶变换三维测量矩阵问题陈述 该项目的目标是实现一种深度学习算法，该算法将单通道手持式ECG设备的心电图（ECG）记录分为四个不同的类别：正常窦性心律（N），房颤（A），其他心律（O ），或者太吵而无法分类（〜）。 该模型是由论文指导的由Zihlmann等人撰写。 在作者对的贡献之后发表的。 心房颤动（AF）是一种常见的心律失常，影响了270万以上的美国人。 这种心律失常与明显的发病率相关，缺血性中风的风险增加了4到5倍。 AF通常是沉默的，患者偶尔会出现中风，这是心律不齐的最初表现。 其他患者有令人不安的症状，例如心pit或头晕，但传统的监测方法无法确定心律不齐。 尽管该问题很重要，但AF检测仍然很困难，因为它可能是偶发性的。 因此，定期采样心率和节律可能有助于在这些情况下进行诊断。 当两个电极中的每一个都握在手中时，移动式ECG设备能够记录单导联等效ECG。 AliveCor为2017年PhysioNet / CinC挑战赛慷慨捐赠了总计12186张ECG录音。 项目包中的文件 该项目包包含以下文件： physionet_readme.ipynb：具有工作代码的此README.m

Logistic回归-心血管疾病 背景 在全球范围内，心血管疾病（CVD）造成的死亡人数多于癌症。 从这项为期15年的心脏研究队列中收集的真实心脏病患者的数据集可用于此任务。 该数据集具有16个患者特征。 请注意，所有功能均不包含任何验血信息。 数据集 数据集可以通过github下载：（“ ”） 代码 Python笔记本：（“ ”） 有关如何启动的说明 I.在google colab上打开python笔记本。 二。 挂载Google云端硬盘：drive.mount（“ / content / drive”） 三， 链接工作目录：census =“ /content/drive/MyDrive/MSBA_Colab_2020/ML_Algorithms/CA05/Data/cvd_data.csv” IV。 运行代码 V.生成最佳模型的准确性和ROC AUC分数 程序 -[A节]

使用CNN进行植物病害检测 通过叶片图像预测植物的健康状况

植物叶病分析仪 该储存库包括一个预测植物病害的项目，并根据病害向农民推荐农药。 它还包括植物的实时分割以及其中的数据集生成。 因此，它是一个完整的计算机视觉（CV）系统，可以预测植物病害以及植物香料。 涉及的技术栈： 1）Django 2）Tensorflow 3）Keras 4）PIL 在Django依赖项中- 1）Django调整大小2）djagno rest_framework 如果想了解培训代码和方法 参观

Kaggle： 任务是将每个木薯图像分为五类，以指示-具有某种疾病或健康叶片的植物。 组织者介绍了在乌干达定期调查期间收集的21,367张带标签图像的数据集。 大多数图像都是从农民那里获取的，他们在花园里照相，并由国家作物资源研究所（NaCRRI）的专家与坎帕拉的马可雷雷大学的AI实验室合作进行批注。 似乎已经有一些。 实验性 安装此工具 如何使用此基本功能的简单方法： ! pip install https://github.com/Borda/kaggle_cassava-leaf-disease/archive/main.zip 在Colab中运行笔记本 我建议将数据集上传到您的个人gDrive，然后在笔记本电脑中连接gDrive，这样可以在重置Colab时节省重新上传数据集的时间...：] 一些结果 ResNet50的培训进度以及10个时期的培训：