ترجمه تخصصی ارزان مقاله پیش بینی آینده کووید-19 با استفاده از مدل‌های یادگیری ماشین نظارت شده (IEEE 2020)

ارسال توسط وب‌رویا در 2020, آی تریپل آی IEEE, انفورماتیک پزشکی, پژوهشی, داده کاوی, داده کاوی در پزشکی, فناوری اطلاعات و کامپیوتر, مقالات کووید-19, هوش مصنوعی, هوش مصنوعی در پزشکی

ترجمه تخصصی ارزان مقاله پیش بینی آینده کووید-19 با استفاده از مدل‌های یادگیری ماشین نظارت شده (IEEE 2020)

ترجمه فارسی چکیده مقاله:

مکانیسم‌های پیش‌بینی مبتنی بر یادگیری ماشینی (ML) اهمیت خود را برای پیش‌بینی نتایج پس از عمل برای بهبود تصمیم‌گیری در مورد دوره آینده اقدامات اثبات کرده است. مدل‌های ML مدتهاست که در بسیاری از حوزه‌های کاربردی مورد استفاده قرار می‌گیرد که نیاز به شناسایی و اولویت‌بندی عوامل منفی برای تهدید دارد. چندین روش پیش‌بینی برای حل مشکلات پیش‌بینی مورد استفاده قرار می‌گیرد. این مطالعه توانایی مدل‌های ML را برای پیش‌بینی تعداد بیماران آینده مبتلا به کووید-19 که در حال حاضر به‌عنوان یک تهدید بالقوه برای بشر در نظر گرفته شده نشان می‌دهد. به‌طور خاص، چهار مدل پیش‌بینی استاندارد، مانند رگرسیون خطی (LR)، حداقل عملگر کوچک شدن و انتخاب مطلق (LASSO) ، دستگاه بردار پشتیبانی (SVM) و هموار سازی نمایی (ES) در این مطالعه برای پیش‌بینی عوامل تهدید کننده کووید-19 استفاده شده است. سه نوع پیش‌بینی توسط هر یک از مدل‌ها انجام می‌شود، مانند تعداد موارد تازه آلوده، تعداد مرگ و میر، و تعداد بهبودی در 10 روز آینده. نتایج حاصل از این مطالعه، مکانیسم امیدوارکننده‌ای را برای استفاده از این روش‌ها برای سناریوی فعلی همه گیر کووید-19 اثبات می‌کند. نتایج نشان می‌دهد که ES بهترین عملکرد را در بین تمام مدل‌های مورد استفاده به دنبال دارد. LR و LASSO که در پیش‌بینی موارد تایید شده جدید، میزان مرگ و میر و همچنین میزان بهبودی عملکرد خوبی دارند، در حالی که SVM با توجه به مجموعه داده‌های موجود عملکرد ضعیفی را در کلیه سناریوهای پیش‌بینی انجام می‌دهد.

 

عنوان مقاله انگلیسی:

COVID-19 Future Forecasting Using Supervised Machine Learning Models

چکیده مقاله انگلیسی:

ABSTRACT Machine learning (ML) based forecasting mechanisms have proved their significance to anticipate in perioperative outcomes to improve the decision making on the future course of actions. The ML models have long been used in many application domains which needed the identification and prioritization of adverse factors for a threat. Several prediction methods are being popularly used to handle forecasting problems. This study demonstrates the capability of ML models to forecast the number of upcoming patients affected by COVID-19 which is presently considered as a potential threat to mankind. In particular, four standard forecasting models, such as linear regression (LR), least absolute shrinkage and selection operator (LASSO), support vector machine (SVM), and exponential smoothing (ES) have been used in this study to forecast the threatening factors of COVID-19. Three types of predictions are made by each of the models, such as the number of newly infected cases, the number of deaths, and the number of recoveries in the next
10 days. The results produced by the study proves it a promising mechanism to use these methods for the current scenario of the COVID-19 pandemic. The results prove that the ES performs best among all the used models followed by LR and LASSO which performs well in forecasting the new confirmed cases, death rate as well as recovery rate, while SVM performs poorly in all the prediction scenarios given the available dataset.
INDEX TERMS COVID-19, exponential smoothing method, future forecasting, Adjusted R2 score, supervised machine learning

تعداد صفحات مقاله: 12

تاریخ انتشار: 2020

نشریه: آی تریپل آی IEEE

فرمت فایل: pdf

حجم فایل: 5/877KB

 

لینک دانلود رایگان مقاله:

پیش بینی آینده کووید-19 با استفاده از مدل‌های یادگیری ماشین نظارت شده

** مبلغ ترجمه تخصصی ارزان این مقاله : 17000 تومان **

»»شما اکنون 50% از کل مبلغ ترجمه را پرداخت کرده و باقی مبلغ را پس از آماده شدن ترجمه خواهید پرداخت.

»»پس از ثبت سفارش ترجمه، طی حداکثر 7 روز کاری آینده، ترجمه فارسی به‌صورت دو فایل word و pdf برای شما آماده می‌شود و به شما اطلاع‌رسانی خواهد شد.

 

8500 تومان – سفارش ترجمه

فعلا امکان ارسال دیدگاه برای این پست وجود ندارد.