2099/19

209/01
2090/19
2091/19
2092/19
2093/19
2094/19
2095/19
2096/19
2097/19
2098/19

Ouvrages de la bibliothèque en indexation 2099/19

ANN Interpretability For Breast Cancer Diagnosis / Hajar HAKKOUM

Public ISBD Titre : ANN Interpretability For Breast Cancer Diagnosis Type de document : projet fin études Auteurs : Hajar HAKKOUM, Auteur Langues : Français (fre) Catégories : Ingénierie de web et Informatique mobile Mots-clés : Cancer du sein, Apprentissage automatique, Interpretation, Importance des attributs, PDP, LIME. Index. décimale : 2099/19 Résumé : Le cancer du sein (BC) est le cancer le plus répandu chez les femmes. Dierents techniques de Data Mining ont été utilisées pour faciliter le diagnostic du BC, car la détection précoce ainsi que l'amélioration des traitements ont permis de réduire le taux de mortalité à cause du BC. Bien que les modèles à boîte blanche soient les plus utilisés, car dans un domaine critique il est préférable d'utiliser des modèles explicables, la communauté de Machine Learning a montré un grand intérêt à l'importance de l'interprétation des modèles à boîte noire à n de dépasser le compromis entre performance et interprétabilité. Ce rapport presente trois tâches principales: La construction de deux types de mod- èles à boîte noire (2MLP-6RBFN) moyennant le Wisconsin Original Dataset pour la classication du diagnostic du BC. L'interprétation de deux de ces modèles globalement et localement à l'aide de trois techniques: (Importance des attributs, Tracé de dépendance partielle (PDP) et la technique d'explication modèle-agnostique interprétable locale (LIME)). Le déploiement du modèle en créant une interface Web permettant aux médecins de prédire si une nouvelle instance est maligne ou bénigne et de vérier les explications pour ensuite décider si le modèle est digne de conance ou non. ANN Interpretability For Breast Cancer Diagnosis [projet fin études] / Hajar HAKKOUM, Auteur . - [s.d.]. Langues : Français (fre) Catégories : Ingénierie de web et Informatique mobile Mots-clés : Cancer du sein, Apprentissage automatique, Interpretation, Importance des attributs, PDP, LIME. Index. décimale : 2099/19 Résumé : Le cancer du sein (BC) est le cancer le plus répandu chez les femmes. Dierents techniques de Data Mining ont été utilisées pour faciliter le diagnostic du BC, car la détection précoce ainsi que l'amélioration des traitements ont permis de réduire le taux de mortalité à cause du BC. Bien que les modèles à boîte blanche soient les plus utilisés, car dans un domaine critique il est préférable d'utiliser des modèles explicables, la communauté de Machine Learning a montré un grand intérêt à l'importance de l'interprétation des modèles à boîte noire à n de dépasser le compromis entre performance et interprétabilité. Ce rapport presente trois tâches principales: La construction de deux types de mod- èles à boîte noire (2MLP-6RBFN) moyennant le Wisconsin Original Dataset pour la classication du diagnostic du BC. L'interprétation de deux de ces modèles globalement et localement à l'aide de trois techniques: (Importance des attributs, Tracé de dépendance partielle (PDP) et la technique d'explication modèle-agnostique interprétable locale (LIME)). Le déploiement du modèle en créant une interface Web permettant aux médecins de prédire si une nouvelle instance est maligne ou bénigne et de vérier les explications pour ensuite décider si le modèle est digne de conance ou non.

Réservation

Réserver ce document

Exemplaires

Code barre	Cote	Support	Localisation	Section	Disponibilité
2099/19	2099/19 HAJ	Texte imprimé	unité des PFE	PFE/2019	Disponible