Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/41999
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Бельтюков Михаил Витальевич | ru_RU |
dc.contributor.advisor | Beltukov Mihail Vitalevic | en_GB |
dc.contributor.author | Пикулева Анна Евгеньевна | ru_RU |
dc.contributor.author | Pikuleva Anna Evgenevna | en_GB |
dc.contributor.editor | Паниди Евгений Александрович | ru_RU |
dc.contributor.editor | Panidi Evgenij Aleksandrovic | en_GB |
dc.date.accessioned | 2023-07-26T12:02:32Z | - |
dc.date.available | 2023-07-26T12:02:32Z | - |
dc.date.issued | 2023 | |
dc.identifier.other | 069419 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/41999 | - |
dc.description.abstract | В выпускной квалификационной работе проведен пространственный анализ данных и применены методы машинного обучения для определения территорий риска развития туберкулеза в г.Санкт-Петербурга. В ходе работы использованы алгоритм плотности ядра, анализ с помощью гексагональной сетки, глобальный и локальный пространственный индекс. Для выделения кластеров использованы различные алгоритмы машинного обучения. Плотностной алгоритм DBSCAN показал наилучшие результаты при кластеризации пациентов с туберкулезом. В результате разработан алгоритм, который имеет практическое применение в выявлении мест распространения туберкулеза и может быть использован для контроля болезни и обеспечения медицинской помощи в рискованных территориях. | ru_RU |
dc.description.abstract | In the final qualifying work, a spatial data analysis was carried out and machine learning methods were applied to determine the territories at risk of developing tuberculosis in St. Petersburg. In the course of the work, the kernel density algorithm, analysis using a hexagonal grid, global and local spatial index were used. Various machine learning algorithms were used to identify clusters. The density algorithm DBSCAN showed the best results in clustering patients with tuberculosis. As a result, an algorithm has been developed that has practical application in identifying the spread of tuberculosis and can be used to control the disease and provide medical care in risky areas. | en_GB |
dc.language.iso | ru | |
dc.subject | Здоровье населения | ru_RU |
dc.subject | туберкулез | ru_RU |
dc.subject | пространственная кластеризация | ru_RU |
dc.subject | машинное обучение | ru_RU |
dc.subject | риск развития заболевания. | ru_RU |
dc.subject | Population health | en_GB |
dc.subject | tuberculosis | en_GB |
dc.subject | spatial clustering | en_GB |
dc.subject | machine learning | en_GB |
dc.subject | disease risk. | en_GB |
dc.title | The methods of spatial clustering and machine learning applied to determine the areas at risk of socially significant diseases in St Petersburg | en_GB |
dc.title.alternative | Методы пространственной кластеризации и машинного обучения для определения территорий риска развития социально значимых заболеваний в Санкт-Петербурге | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
st_069419.docx | Article | 11,47 MB | Microsoft Word XML | Просмотреть/Открыть |
reviewSV_Otzyv_rukovoditela_bak_Pikuleva.pdf | ReviewSV | 234,68 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.