Heart Disease UCI数据集，关于该数据集的详细信息可以参考文章：https://blog.csdn.net/didi_ya/article/details/120196857

使用机器学习R和发光的心脏疾病预测 庄主：Soham Bakore 使用R和Shiny创建Web应用程序以使用机器学习预测心脏病 我们正在使用三种机器学习算法，分别是朴素贝叶斯（Naive Bayes），支持向量机（SVM）和决策树。 目前，在支持SVM的Shiny Web应用中实现了精度最高的算法。 用户的“登录和注册”模块正在进行中，将很快更新。

Predict-status-of-Chronic-kidney-disease:它由我的代码和csv文件组成

帕金森氏病（PD）是世界上主要的公共卫生疾病之一，其日趋增加，并已对许多国家产生影响。 因此，在疾病早期就进行预测非常重要，因为疾病的症状是在中年或中晚期出现的，因此这对于研究人员来说是一项艰巨的任务。 因此，这项工作着眼于受PD影响的人群的语音清晰度困难症状，并使用各种机器学习技术（例如自适应增强，装袋，神经网络，支持向量机，决策树，随机森林和线性回归）来建立模型。 这些分类器的性能使用各种指标进行评估，例如准确性，接收器工作特性曲线（ROC），灵敏度，精度，特异性。 最后，采用Boruta特征选择技术在预测帕金森氏病的所有特征中找到最重要的特征。

9番茄病害检测与分类（准确度94％） 番茄是印度饮食中不可分割的一部分，这就是为什么在2020财年印度番茄产量超过2100万吨的原因。 但是，如果番茄田受到恶意疾病的保护，甚至会进一步推高这一数字，这将给农民造成金钱和时间方面的严重损失。 为了解决这个问题，我创建了一个深度学习模型，该模型能够识别健康的番茄植物和9种最有害和流行的番茄病，这些病包括细菌斑，早疫病，晚疫病，叶霉病，棕褐色斑病，蜘蛛螨，目标点，黄叶卷曲病毒和番茄花叶病毒。 使用的图书馆 张量流 凯拉斯 脾气暴躁的 大熊猫 Matplotlib 脾气暴躁的 球状 介绍 我创建了一个深度学习模型，该模型可以有效地识别九种番茄疾病。 该模型以常规图层为核心进行特征提取，并使用密集图层进行分类任务。 对模型进行了10个时期的训练，批次大小为574。用于模型训练的数据集是从Kaggle（ ）下载的。 数据可视化 健康 九种疾病

Heart_Disease_Prediction “＃Heart_Disease_Prediction”

kaggle心脏疾病数据集

木薯叶病分类 介绍 这是 ， 和针对的一种解决方案。 在此存储库中，您可以找到我的管道以及我们用于此竞赛的解决方案。 在README的第一部分中，我将描述我们的解决方案，在第二部分中，我将对存储库的结构以及所有文件的描述进行描述。 源代码写。 您可以（或）找到有关此竞赛的完整报告（33页）。 解决方案 知识升华 我们做了一个非常软的知识提炼。 我们没有时间去做很多实验，所以我们只有一个办法来保证数据集的可靠性。 我们浏览了该论坛，并发现至少有500个患病的图像被标记为健康。 其他类型的错误很少被提及。 因此，我们决定仅将500个样本作为知识蒸馏的软目标。 我们对SWSL ResNeXt 101 8D进行了5倍训练，并预测了来自每个验证部分和每个标签的所有图像的标签。 然后，我们保存了每幅图像的预测和置信度，并选择了置信度阈值，该阈值用于查找〜500个样本，这些样本中极有把握的预测与地面

心血管疾病是全球死亡的主要原因之一，在世界范围内日益引起社会关注。 随着技术的出现，机器学习和可穿戴技术的融合为医学领域带来了巨大的好处，它提供了高度准确，可靠和强大的无缝解决方案。 通过早期发现并降低医疗成本，这使患者社区受益。 以及为医学博爱提供有效，可扩展，准确和可靠的预测系统。 本文对用于各种心血管疾病的预测/分类的机器学习算法进行了广泛的调查。 我们将介绍各种模式的见解，例如心音，电子健康记录，生理信号和CT图像，以成功检测出心脏病，并且还将介绍流行的机器学习系统，模糊系统，混合系统的亮点。 从这篇评论中可以注意到，SVM已被广泛使用，随后是神经网络和集成技术。 通过集成技术，其次是SVM和CNN，可以达到95％以上的最高准确度。

帕金森病检测 使用XGBoost检测帕金森氏病，并使用Flask进行部署。 使用的语言：Python 3.7，Html5，CSS3。 该Web应用程序正在开发中，目前托管在两个云平台中： IBM Cloud： : Heroku云： ：