| Titre : | Training And Optimizing Deep Articial Neural Networks Using Dragon y Algorithm for Medical Prediction |
| Auteurs : | Nedjai Azzeddine, Auteur ; Sihem Slatnia, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2020 |
| Format : | 1 vol. (99 p.) / ill. / 29 cm |
| Langues: | Anglais |
| Mots-clés: | Medical prediction,Arti?cial Neural Network (ANN),Conversational neural networks (CNN),Multilayer prceptron (MLP),Deep Learning,Dragony algorithm (DA),Grey Wolf Optimization (GWO),ANN-DA,ANN-GWO,CNN-DA,MLP-DA,MLP-GWO. |
| Résumé : | Arti?cial intelligence applications can be highly bene?cial for healthcare in general to the extent that it can revolutionise the entire healthcare system. Arti?cial Neural Network (ANN) is one of the evolutionary computation techniques that can be used as a medical prediction model for new data records from shallow ANN such as Multilayer prceptron (MLP) to deep ANN such as Conversational neural networks (CNN), The ANN will be trained with an optimization method called Dragon y Algorithm (DA) as a main focus in a model called (ANN-DA), and other well known optimizers such as Grey Wolf Optimization (GWO) and many others as an evaluation method. In order to evaluate ANN-DA. An experimental comparison has been made using di?erent metrics. The results show that ANN-DA proved its e?ciency of performance over other Models. |
| Sommaire : |
1 Machine Learning 14
1.1 Iintroduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.2 What is Machine Learning ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.3 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.3.1 Overview of Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 15 1.3.2 Overview of Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . 16 1.3.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.4 Classi?cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.4.1 What is Classi?cation? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.4.2 Classi?cation Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.5 ANN Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.5.1 Feed-forward Neural Network FNN . . . . . . . . . . . . . . . . . . . . . 22 1.5.2 Recurrent Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.5.3 Convolutional Neural Networks CNN . . . . . . . . . . . . . . . . . . . . 24 1.6 Convolutional Neural network CNN . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.6.1 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 1.6.2 Convolutional Neural network CNN . . . . . . . . . . . . . . . . . . . . . 27 1.6.3 Residual Neural Network ResNet . . . . . . . . . . . . . . . . . . . . . . 30 1.6.4 Resnet-50 Architecure . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 1.7 Related Work (Medical Prediction and Diagnosis) . . . . . . . . . . . . . . . . . 34 1.7.1 Prediction of Chronic Kidney DiseasesUsing Deep Arti?cial Neural Network Technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 1.7.2 Heart disease prediction using K-means and Arti?cial Neural Network . 34 1.7.3 Prediction of Fatty Liver Disease using Machine Learning Algorithms . . 35 1.7.4 Building Risk Prediction Models for Type 2 Diabetes Using Machine Learning Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 1.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2 Optimization Algorithms 38 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.2 Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.2.1 De?nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.2.2 Metaheuristics classi?cation criteria . . . . . . . . . . . . . . . . . . . . 40 2.2.3 Metaheuristic Thechniques . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.3 Nature-inspired Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.3.1 Source of inspiration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.3.2 Classi?cations of Algorithms . . . . . . . . . . . . . . . . . . . . . . . . 45 2.4 Dragon y Algorithm DA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 2.4.1 Operators for exploration and exploitation . . . . . . . . . . . . . . . . . 48 2.5 Grey Wolf Optimization GWO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 2.5.1 Mathematical Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 2.5.2 GWO pseudo-code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 2.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3 Project Design 62 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3.2 System Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.2.1 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.2.2 Global system design . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.2.3 Detailed system design . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 3.3 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 4 Implementation and Results 77 4.1 Environment and developing tools . . . . . . . . . . . . . . . . . . . . . . . . . . 77 4.2 Back-end Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 4.2.1 Training/Optimizing MLP using DA or GWO . . . . . . . . . . . . . . . 78 4.2.2 Trainig/optimizing CNN using DA for predicting COVID-19 . . . . . . . 81 4.3 Front-end . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 4.3.1 1st UI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 4.3.2 2nd UI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.3.3 3rd UI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 4.4 Expirements results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 4.4.1 MLP-DA and MLP-GWO comparison . . . . . . . . . . . . . . . . . . . 88 4.4.2 CNN-DA and other CNN optimizers comparison (adam,sgdm. . . .) comparison . 89 4.4.3 Simple CNN training tests . . . . . . . . . . . . . . . . . . . . . . . . . 89 4.4.4 Discussion of the results of training a simple CNN . . . . . . . . . . . . . 91 4.4.5 Resnet50 CNN-DA and Resnet50 CNN-ADAM comparison . . . . . . . . 92 4.4.6 Discussion of results of training Resnet50 CNN . . . . . . . . . . . . . . 95 4.5 Limitaions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 4.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/510 | Mémoire master | bibliothèque sciences exactes | Consultable |
