ارائه مدلی برای پیش بینی مصرف دارو با استفاده از الگوریتم های پیش بینی
ارائه مدلی برای پیش بینی مصرف دارو با استفاده از الگوریتم های پیش بینی
هدف از این سمینار ارائه مدلی برای پیش بینی مصرف دارو با استفاده از الگوریتم های پیش بینی می باشد
مشخصات فایل
| تعداد صفحات | ۵۷ |
| حجم | ۰ کیلوبایت |
| فرمت فایل اصلی | doc |
| دسته بندی | رشته فناوری اطلاعات (IT) |
توضیحات کامل
دانلود سمینار پایان نامه کارشناسی ارشد مهندسی فناوری اطلاعات
ارائه مدلی برای پیش بینی مصرف دارو با استفاده از الگوریتم های پیش بینی
چکیده
توسعه ی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از داده های مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیری ها و فرایند های مدیریتی را بهبود بخشید. در این پایان نامه تلاش شده است ضمن بررسی الگوریتم های مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانه های بیمارستان ها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت ۵ سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است. برای پیش بینی مصرف دارو عملکرد مدل های MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد بررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR2 ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است.
در این تحقیق ابتدا چارچوب کلی سمینار و مراحل پیاده سازی را شرح داده، سپس توضیح مختصری راجع به مجموعه دادههای ایجاد شده داده میشود و در نهایت، به شرح الگوریتمهایی که برای ارزیابی مورد مقایسه قرار گرفته اند خواهیم پرداخت.
۱-۱- مقدمه
در این مطالعه، هدف، ارائه مدلی برای پیش بینی مصرف دارو با استفاده از الگوریتم های پیش بینی می باشند. از دیگر اهداف تحقیق بکارگیری مدل ارائه شده بر روی داده های یک بیمارستان و ارزیابی نتایج حاصل از آن می باشد. مدل ارائه شده در این سمینار می تواند در سایر بیمارستان های کشور نیز مورد استفاده قرار بگیرد.
واژگان کلیدی :
پیش بینی
خرید دارو
داروخانه
سیستم های اطلاعات بیمارستان
فهرست مطالب
۴-۱- مقدمه
۴-۲- الگوریتم پیشنهادی
۴-۳- پیش پردازش دادهها
۴-۳-۱- ساخت ماتریس داده
۴-۳-۱-۱-روش ماههای متوالی
۴-۳-۱-۲-روش ماههای یکسان
۴-۳-۱-۳-روش فصول متولی
۴-۴- الگوریتمهای Prediction
۴-۴-۱- روش NN
۴-۴-۲-روش SVR
۴-۴-۳- روش LSSVR
۴-۴-۴- AdaBoost.R
۴-۵- مجموعه داده
۴-۵-۱- پاکسازی داده
۴-۶- معیارهای ارزیابی
۴-۷- جمع بندی
فصل بحث و نتیجه گیری
۵-۱- مقایسه روشهای مورد بررسی
۵-۱-۱- ارزیابی الگوریتم با روش ماههای متوالی
۵-۱-۲- ارزیابی الگوریتم با روش ماههای یکسان
۵-۲- جمع بندی
منابع
فهرست جداول
جدول ۴- ۱ ماتریس داده بصورت ماههای متوالی ۶۰
جدول ۴- ۲ ماتریس داده بصورت ماههای یکسان ۶۱
جدول ۴- ۳ ماتریس داده بصورت فصول متوالی ۲
جدول ۵- ۱ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 77
جدول ۵- ۲ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 81
جدول ۵- ۳ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 82
جدول ۵- ۴ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 82
جدول ۵- ۵ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 85
جدول ۵- ۶ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 86
جدول ۵- 7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 91
جدول ۵ – ۸ نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 93
فهرست شکل ها و نمودارها
شکل ۴- ۱ دیاگرام چاچوب تحقیق ۵۸
شکل۴- ۲ پارامترهای مورد استفاده در SVM 64
شکل۴- ۳ گزارش تهیه شده با کریستال ریپورت ۷۰
شکل۴- ۴ خروجی گزارش تهیه شده با کریستال ریپورت ۷۱
شکل۵- ۱ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 78
شکل۵- ۲ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR 78
شکل۵- ۳ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 79
شکل۵- ۴ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 80
شکل۵- ۵ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 80
شکل۵- ۶ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 83
شکل۵- ۷ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR 83
شکل۵- ۸ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 84
شکل ۵- ۹ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 84
شکل۵- ۱۰ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 85
شکل ۵- ۱۱ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 86
شکل۵- ۱۲ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR 87
شکل۵- ۱۳ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 87
شکل۵- ۱۴ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 88
شکل۵- ۱۵ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 89
شکل۵- ۱۶ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN 90
شکل۵- ۱۷ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 90
شکل۵- ۱۸ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 92
شکل۵- ۱۹ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 93
شکل۵- ۲۰ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 94
شکل۵- ۲۱ میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 94
توضیحات بیشتر و دانلود
صدور پیش فاکتور، پرداخت آنلاین و دانلود
برچسب‌ها:استفاده از روشهای داده کاوی در بهینه سازی خرید دارو, استفاده از روشهای داده کاوی در پیش بینی تقاضای دارو, افزایش بهره وری مالی داروخانه با داده کاوی, بهینه سازی خرید دارو با داده کاوی, پیش بینی تقاضای دارو با داده کاوی, پیش بینی مصرف دارو با الگوریتم های پیش بینی, پیش بینی مصرف دارو با داده کاوی
مطالب زیر را حتما بخوانید:
قوانین ارسال دیدگاه در سایت