Andere Kunden interessierten sich auch für
![Deep Learning for Biometrics]( "Deep Learning for Biometrics")
Deep Learning for Biometrics125,99 €![CNN Approfondis pour l'Identification Biométrique Multimodale]( "CNN Approfondis pour l'Identification Biométrique Multimodale")
CNN Approfondis pour l'Identification Biométrique Multimodale40,99 €![Analyse des sentiments sur les avis des clients dans le E-Commerce]( "Analyse des sentiments sur les avis des clients dans le E-Commerce")
Analyse des sentiments sur les avis des clients dans le E-Commerce54,90 €![Hands-on Machine Learning with Python]( "Hands-on Machine Learning with Python")
Hands-on Machine Learning with Python44,99 €![Applications of Game Theory in Deep Learning]( "Applications of Game Theory in Deep Learning")
Applications of Game Theory in Deep Learning33,99 €![Machine Learning for Camera-Based Monitoring of Laser Welding Processes]( "Machine Learning for Camera-Based Monitoring of Laser Welding Processes")
Machine Learning for Camera-Based Monitoring of Laser Welding Processes46,00 €![Elements of Dimensionality Reduction and Manifold Learning]( "Elements of Dimensionality Reduction and Manifold Learning")
Elements of Dimensionality Reduction and Manifold Learning59,99 €
Les réseaux de neurones convolutifs (CNN) sont bien appliqués dans le domaine du cancer du poumon, mais la plupart des travaux existants sont basés sur les diagnostics d'imagerie du patient. Le problème est que l'imagerie ne peut détecter la maladie que très tardivement et que le patient peut difficilement être sauvé. Notre objectif est : de prévenir avec précision le cancer du poumon en calculant la probabilité d'être atteint de la maladie à l'aide des informations personnelles du sujet examiné et de relever les principaux facteurs de la pathologie. Notre approche DeepLCP repose sur la combinaison du traitement de langage naturel (NLP) et des réseaux de neurones convolutionnels (CNN)). Les résultats expérimentaux du DeepLCP permettent d'approuver une haute précision, un faible taux d'erreur et de perte d'information lors de la phase de validation (CNN).