生长抑制特异蛋白GAS2促进BCR-ABL恶性转化BaF3细胞 ，瞿伟伟，薛文，目的：生长抑制特异蛋白GAS2在CML患者细胞中表达增高，高表达的GAS2能产生怎样的生物学效应尚不明确。本工作以小鼠前B细胞BaF3为模型�

乳腺癌预测

该数据集包括与良性和恶性乳腺癌相关的超声图像。图像通过旋转和锐化来增强，以产生足够数量的图像。共9000多张图片。 该数据集包括与良性和恶性乳腺癌相关的超声图像。图像通过旋转和锐化来增强，以产生足够数量的图像。共9000多张图片。

皮肤肿瘤数据集，该数据集由2357张恶性和良性肿瘤疾病的图像组成，这些图像来自国际皮肤成像合作组织(ISIC)。所有的图像都按照ISIC的分类进行排序，除黑色素瘤和痣的图像略占优势外，所有子集的图像都被分成相同数量的图像

甲状腺超声图像良恶性分类数据集，该数据库包含99例病例和134张图像。每个病例都以XML文件的形式呈现，其中包含专家的注释和患者的注释 甲状腺超声图像良恶性分类数据集，该数据库包含99例病例和134张图像。每个病例都以XML文件的形式呈现，其中包含专家的注释和患者的注释

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

CIH1[1].4恶性病毒版本.rar

人工智能-项目实践-逻辑回归-基于逻辑回归的癌症预测案例——【癌症分类预测-良／恶性乳腺癌肿瘤预测】 基于逻辑回归的癌症预测案例——【癌症分类预测-良／恶性乳腺癌肿瘤预测】

主要解决的问题： 1. 顽固病毒木马问题（如：紫狐、ADSafe、MLXG病毒等） 2. 服务异常问题（部分安全服务异常也是由于内核级病毒导致） 3. 流量或首页劫持问题等

良恶性乳腺肿瘤数据 测试数据