Análise de algoritmos de aprendizagem automática: KNN e K-Means para a cura de idosos
Versandfertig in 6-10 Tagen
28,99 €
inkl. MwSt.
PAYBACK Punkte
14 °P sammeln!
Explorar o domínio da aprendizagem automática implica monitorizar a saúde dos entes queridos idosos, acompanhando os seus movimentos para os manter saudáveis. Os conjuntos de dados criados pelo registo dos movimentos corporais dos idosos são introduzidos em modelos de aprendizagem automática para previsão. Neste estudo, a proposta é comparar dois algoritmos populares de aprendizagem automática, o KNN e o K-Means, relativamente a parâmetros como a exatidão e a precisão. O envelhecimento da população tornou-se uma preocupação importante a nível mundial, uma vez que representa um...
Explorar o domínio da aprendizagem automática implica monitorizar a saúde dos entes queridos idosos, acompanhando os seus movimentos para os manter saudáveis. Os conjuntos de dados criados pelo registo dos movimentos corporais dos idosos são introduzidos em modelos de aprendizagem automática para previsão. Neste estudo, a proposta é comparar dois algoritmos populares de aprendizagem automática, o KNN e o K-Means, relativamente a parâmetros como a exatidão e a precisão. O envelhecimento da população tornou-se uma preocupação importante a nível mundial, uma vez que representa um desafio significativo para os sistemas de saúde. A deterioração da saúde dos idosos é multifatorial e é essencial desenvolver modelos de previsão para identificar potenciais riscos para a saúde e intervir precocemente. Este estudo tem como objetivo explorar a utilização dos algoritmos KNN (K-Nearest Neighbours) e K Means para analisar os dados de saúde dos idosos. O estudo recolheu e analisou dados de uma coorte de idosos, incluindo parâmetros demográficos, de estilo de vida e clínicos. O algoritmo KNN foi utilizado para prever a probabilidade de desenvolver doenças crónicas, como a diabetes, a hipertensão e as doenças cardiovasculares, com base nas caraterísticas de entrada.
Andere Kunden interessierten sich für
