Please use this identifier to cite or link to this item: http://univ-bejaia.dz/dspace/123456789/23429
Title: Prédiction du diabète en utilisant les algorithmes de machine Learning.
Authors: Bouaouina, Sara
Izouaouen, Akila
Amroun, K. ;promoteur
Keywords: Diabète ; Insuline ; Machine learning ; Xgboost ; Prédiction ; Dataset
Issue Date: 2023
Publisher: Univ.Abderrahmane Mira- Bejaia
Abstract: Le diabète est une maladie chronique caractérisée par un dysfonctionnement du métabolisme du glucose dans le corps, résultant soit d'une production insuffisante d'insuline par le pancréas, soit d'une résistance des cellules `a l'insuline produite. L'intelligence artificielle (IA) a connu une évolution majeure dans le domaine médical, offrant de nouvelles opportunités pour la compréhension, le diagnostic précis et le traitement amélioré de cette maladies. Divers mod`eles d'apprentissage automatique tels que KNN, SVM, arbre de décision, forˆet aléatoire, GBM et XGBoost ont été appliqués sur un jeu de données de 590 entrées collecter lors d'un stage au CHU Khellil Amrane à Beja¨ia, comprenant des informations sur les personnes diabétiques et non diabétiques telles que l'ˆage, le poids, la taille, les antécédents personnels et familiaux, le taux de cholestérol, etc. Après le nettoyage et le traitement des données, ainsi que l'entraˆ?nement et l'amélioration du mod`ele XGBoost, un résultat prometteur avec une précision de 97% a été obtenu pour notre système de prédiction. Ces résultats ont conduit `a la création d'une application web innovante permettant aux individus de prédire leur risque de développer le diabète, offrant ainsi une approche préventive en fournissant des informations clés sur la santé actuelle et en encourageant la prise de mesures proactives pour réduire les risques associés au diabète.
Description: Option : Intelligence Artificielle
URI: http://univ-bejaia.dz/dspace/123456789/23429
Appears in Collections:Mémoires de Master

Files in This Item:
File Description SizeFormat 
Memoire-Master.pdf4.06 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.