تطبيق تعلم الآلة في التشخيص الطبي - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

--- SECTION: الإصدار 4 --- الإصدار 4 يمكن تحسين النظام القائم على القواعد بزيادة كفاءة المعرفة وتجربة دوال تسجيل النقاط (Scoring Functions) المختلفة. وعلى الرغم من أن ذلك سيؤدي إلى تحسين النظام، إلا أنه سيتطلب الكثير من الوقت والجهد اليدوي. ولحسن الحظ، هناك طريقة آلية لبناء نظام مبني على القواعد يكون ذكياً بما يكفي لتصميم قاعدة معرفة ودالة تسجيل نقاط خاصة به باستخدام تعلم الآلة. يُطبق تعلم الآلة القائم على القواعد (Rule-Based Machine Learning) خوارزمية تعلم لتحديد القواعد المفيدة تلقائياً، بدلاً من الحاجة إلى الإنسان لتطبيق المعرفة والخبرات السابقة في المجال لبناء القواعد وتنظيمها يدوياً. فبدلاً من قاعدة المعرفة ودالة تسجيل النقاط المصممتان يدوياً، تتوقع خوارزمية تعلم الآلة مدخلاً واحداً فقط وهو مجموعة البيانات التاريخية للحالات المرضية. فالتعلّم من البيانات مباشرةً يحول دون حدوث المشكلات المرتبطة باكتساب المعرفة الأساسية والتحقق منها. تتكون كل حالة من بيانات أعراض المريض والتشخيص الطبي الذي يمكن أن يقدمه أي خبير بشري مثل الطبيب. وباستخدام مجموعة بيانات التدريب، تتعلم الخوارزمية تلقائياً كيف تتنبأ بالتشخيص المحتمل لحالة مريض جديد. import pandas as pd # import pandas to load and process spreadsheet-type data medical_dataset=pd.read_csv('medical_data.csv') # load a medical dataset. medical_dataset في المثال أعلاه، تحتوي مجموعة البيانات على 2,000 حالة مرضية، بحيث تتكون كل حالة من 8 أعراض محتملة: Fever (الحمى)، وCough (السعال)، وTiredness (الإعياء)، وHeadache (الصداع)، وStuffy nose (انسداد الأنف)، وRunny nose (رشح الأنف)، وSneezing (العطاس)، وSore throat (التهاب الحلق). ترمز كل واحدة من هذه الأعراض في عمود ثنائي منفصل. العدد الثنائي 1 يشير إلى أن المريض يعاني من الأعراض، بينما العدد الثنائي 0 يشير إلى أن المريض لا يعاني من الأعراض. وزارة التعليم 99 2023 - 1447 --- VISUAL CONTEXT --- **TABLE**: Untitled Description: A dataset table named 'medical_dataset' showing medical symptoms and diagnosis. It includes an index column (0-4, then ellipsis, then 1995-1999) and columns for 8 symptoms: fever, cough, tiredness, headache, stuffy nose, runny nose, sneezing, sore throat. Each symptom is represented by a binary value (1 for present, 0 for absent). The last column is 'diagnosis', showing 'covid19' or 'common cold'. The table illustrates data used for machine learning in medical diagnosis. Note: Figure 26-1 and Table 9-1, as mentioned in the prompt, are not present on this page. Table Structure: Headers: fever | cough | tiredness | headache | stuffy nose | runny nose | sneezing | sore throat | diagnosis Rows: Row 1: 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | covid19 Row 2: 0 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | covid19 Row 3: 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | covid19 Row 4: 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | covid19 Row 5: 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | covid19 Row 6: ... | ... | ... | ... | ... | ... | ... | ... | ... Row 7: 0 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | common cold Row 8: 0 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | common cold Row 9: 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | common cold Row 10: 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | common cold Row 11: 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | common cold Data: The table presents sample rows from a larger dataset of 2,000 medical cases. The first five rows show cases diagnosed with 'covid19', where symptoms like fever, cough, and tiredness are present (1). The last five visible rows show cases diagnosed with 'common cold', with varying symptom patterns. For example, row 1995 shows cough, stuffy nose, sneezing, and sore throat present, while row 1996 shows headache, stuffy nose, runny nose, and sneezing present. Key Values: covid19, common cold, 1 (symptom present), 0 (symptom absent) Context: This table provides a concrete example of a dataset used in machine learning for medical diagnosis. It demonstrates how raw symptom data can be structured for input into a Rule-Based Machine Learning algorithm, as described in the accompanying text. The binary representation of symptoms simplifies data processing for such algorithms.