این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 14 صفحه در سال 2016 منتشر شده و ترجمه آن 28 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
یک روش جدید برای طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس: الگوی ماشین یادگیری |
| عنوان انگلیسی مقاله: |
A novel approach to multiclass psoriasis disease risk stratification: Machine learning paradigm |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2016 |
| تعداد صفحات مقاله انگلیسی | 14 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | پزشکی و مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | هوش مصنوعی و پوست و مو |
| مجله | پردازش و کنترل سیگنال زیست پزشکی – Biomedical Signal Processing and Control |
| دانشگاه | گروه مهندسی برق، موسسه ملی فناوری، هند |
| کلمات کلیدی | درماتولوژی، بیماری پوستی پسوریازیس، مشخصات رنگی، مشخصات بافتی، یادگیری ماشین، چندطبقه یا مولتی کلاس |
| شناسه شاپا یا ISSN | ISSN 1746-8094 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه الزویر |  |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 28 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1.مقدمه
2.روش کار
2.1 اکتساب و اماده سازی داده ها
2.2 مشخصات رنگ
2.3 مشخصات بافت سیاه سفید (GS)
2.3.1 مشخصات GS براساس آماری
2.3.2 ویژگی های بافت GS براساس HOS
2.4 انتخاب ویژگی
2.5 طبقه بندی خطرات
3. نتایج
3.1 آنالیز عملکرد سیستم Pras به منظور اعتبار سنجی فرضیه های 1، 2 و 3
3.2 شواهد ثبات سیستم برای اعتبارسنجی فرضیه 4
3.3 نمایش تصویری ضایعات چنددرجه ای مقادیر ویژگی ها
3.4 ارزیابی عملکرد
3.4.1 شاخص قابلیت اطمینان
3.4.2 قدرت حفظ ویژگی
3.4.3 اثر تجمعی ویژگی ها
4. بحث
4.1 سیستم ما
4.2 بررسی مختصر
4.3 قابلیت اطمینان و ثبات سیستم
4.4 نقاط قوت، نقاط ضعف و توسعه
5. نتیجه گیری
- بخشی از ترجمه:
5. نتیجه گیری
این مقاله، یک سیستم طبقه بندی خطرات بیماری پسوریازیس چنددرجه ای را با استفاده از الگوی ماشین یادگیری، ارائه داده است. سهم اساسی این مقاله، در توانایی استخراج سه مجموعه از مجموعه ویژگی های جامع است: 1. رنگی، 2. سیاه سفید، 3.ترکیب رنگی و سیاه سفید، و سپس تطبیق دادن چهار مجموعه از سیستم های ماشین یادگیری به همراه دو نوع طبقه بندی کننده آموزشی-تستی، و دو نوع روش انتخاب ویژگی. بنابراین چهار سیستم pRAS عبارتند از : 1. ماشین بردار پشتیبان به همراه آنالیز جزء اصلی ، 2. ماشین بردار پشتیبان به همراه آنالیز تفکیک فیشر، 3. درخت تصمیم گیری به همراه آنالیز جزء اصلی و 4. درخت تصمیم گیری به همراه آنالیز تفکیک فیشر.
- بخشی از مقاله انگلیسی:
5. Conclusion
The paper presented a generalized multi-grade psoriasis disease risk stratification system using machine learning paradigm. The fundamental contribution of this paper is in ability to extract three set of comprehensive feature sets: (1) color; (2) grayscale; (3) combined color and grayscale and then adaptto four set of machine learning systems with two types of training-testing classifiers and two types of feature selection methods. Thus the 4 pRAS systems are: (1) support vector machine with Principal Component Analysis; (2) support vector machine with Fisher Discriminant Analysis; (3) decision tree with Principal Component Analysis and (4) decision tree with Fisher Discriminant Analysis.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
یک روش جدید برای طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس: الگوی ماشین یادگیری |
| عنوان انگلیسی مقاله: |
A novel approach to multiclass psoriasis disease risk stratification: Machine learning paradigm |
|
|