临床大数据分析与挖掘——基于Python和机器学习的临床决策

图书介绍

1、本书内容由浅入深，不仅讲解机器学习基本原理、基本方法以外，而且通过大量医疗领域的案例，实现了医疗健康数据的处理、分析，能够在很大程度上能够辅助医护人员临床决策。2、通过本书学习，读者不仅能够掌握机器学习算法建模前的数据准备、筛选构造机器学习算法指标的特征工程、不同类别的机器学习算法，还能够掌握临床诊疗数据、电子病历档案数据及影像数据等多源异构数据的处理方法，医疗图像、文本等数据的读取、预处理、可视化等知识。3、同时，还介绍了具有开源、去编程化的TipDM数据挖掘建模平台，通过拖曳的图形化操作就能实现数据分析的全流程。4、希望通过本书，能够提升医学类学生的数据处理能力，医学领域的创新创业能力，以及通过人工智能技术解决医学领域实际问题的能力。

图书目录

第1章    机器学习    1

1.1    机器学习简介    1
1.2    机器学习通用流程    2
1.3    Python机器学习工具库简介    8
小结    12
课后习题    13

第2章    数据准备    16

2.1    数据质量校验    16
2.2    数据分布与趋势探查    23
2.3    数据清洗    42
2.4    数据合并    47
小结    54
课后习题    54

第3章    特征工程    57

3.1    特征变换    57
3.2    特征选择    69
小结    75
课后习题    75

第4章    有监督学习    78

4.1    有监督学习简介    78
4.2    性能度量    78
4.3    线性模型    81
4.4    k近邻分类    89
4.5    决策树    92
4.6    支持向量机    102
4.7    朴素贝叶斯    112
4.8    神经网络    116
4.9    集成学习    124
小结    139
课后习题    139

第5章    无监督学习    141

5.1    无监督学习简介    141
5.2    降维    141
5.3    聚类任务    147
小结    170
课后习题    170

第6章    智能推荐    172

6.1    智能推荐简介    172
6.2    智能推荐性能度量    174
6.3    基于关联规则的智能推荐    179
6.4    基于协同过滤的智能推荐    191
小结    200
课后习题    200

第7章    医疗保险的欺诈发现    203

7.1    目标分析    203
7.2    数据准备    206
7.3    特征工程    212
7.4    模型训练    218
7.5    性能度量    220
小结    227

第8章    中医证型关联规则分析    228

8.1    目标分析    228
8.2    数据准备    230
8.3    特征工程    234
8.4    模型训练    240
8.5    性能度量    241
小结    243

第9章    糖尿病遗传风险预测    244

9.1    目标分析    244
9.2    数据准备    247
9.3    特征工程    250
9.4    模型构建    252
9.5    性能度量    256
小结    259

第10章    基于深度残差网的皮肤癌检测    260

10.1    目标分析    260
10.2    图像数据预处理    263
10.3    模型构建    267
10.4    性能度量    278
小结    281

第11章    基于TipDM数据挖掘建模平台实现医疗保险的欺诈发现    283

11.1    平台简介    283
11.2    快速构建医疗保险的欺诈发现工程    292
小结    307

参考文献    308