Analise conjuntos de dados m√©dicos abertos para obter insights  

Use o aprendizado de m√°quina para antever prescritores de opioides nos EUA com o Watson Studio e scikit-learn

Last updated

Com tantos problemas de sa√ļde no mundo atualmente, existe uma mina de ouro de dados para os cientistas de dados que desejam extrair o significado desses dados e interpret√°-los a partir de diferentes problemas. Este padr√£o mergulha em um conjunto de dados que examina as mortes por overdose de opioides. Acompanhe-nos para ver como explorar esses dados em um bloco de notas do Watson Studio, visualizar algumas conclus√Ķes iniciais utilizando Pixie Dust e utilizar scikit-learn para treinar v√°rios modelos e avaliar quais t√™m as previs√Ķes mais exatas de prescri√ß√Ķes de opioides.

By Madison J. Myers

Overview

<p>As overdoses de opioide v√™m se tornando um problema cada vez maior para os Estados Unidos. Embora os cientistas de dados n√£o consigam resolver esse problema sozinhos, eles podem consultar dados e ver exatamente o que est√° acontecendo e quais elementos podem levar a certos resultados. </p> <p>Este padr√£o de c√≥digo demonstra o uso de scikit-learn e Python (no IBM Watson Studio) para antever prescritores de opioide com base em um conjunto de dados Kaggle, que inclui valores como mortes por overdose de opioides, tipo de prescritor e a pr√≥pria prescri√ß√£o. Com este padr√£o, voc√™ vai explorar os dados em um bloco de notas do Watson Studio e utilizar o Pixie Dust para visualizar algumas conclus√Ķes iniciais de v√°rias maneiras. Ap√≥s concluir a explora√ß√£o inicial, utilize o scikit-learn para treinar v√°rios modelos e descobrir quais t√™m as previs√Ķes mais exatas de prescri√ß√Ķes de opioides. Usando a biblioteca scikit-learn, voc√™ poder√° acessar facilmente in√ļmeros classificadores de aprendizado de m√°quina, que podem ser implementados com linhas de c√≥digo relativamente m√≠nimas. </p> <p>Este padr√£o de c√≥digo foi criado para cientistas e amantes de dados com interesse em quest√Ķes de justi√ßa social, problemas de sa√ļde e para aqueles que s√£o novos no DSX e no aprendizado de m√°quina. Ele orienta voc√™ durante a explora√ß√£o de dados, a limpeza de dados, o treinamento de modelos e sua avalia√ß√£o.</p> <p>Ap√≥s ter conclu√≠do este padr√£o, voc√™ dever√° saber: </p> <ul> <li>Utilizar o Watson Studio</li> <li>Explorar m√ļltiplos quadros de dados</li> <li>Visualizar explora√ß√Ķes</li> <li>Limpar os dados utilizando Python e pandas</li> <li>Desenvolver v√°rios modelos de aprendizado de m√°quina para prever uma vari√°vel alvo</li> <li>Avaliar o desempenho dos modelos</li> </ul>

Flow

  1. Efetue login no serviço IBM Watson Studio.
  2. Faça upload dos dados como um recurso de dados no Watson Studio.
  3. Inicie o bloco de notas no Watson Studio e insira o recurso de dados criado anteriormente.
  4. Explore os dados com pandas.
  5. Crie visualiza√ß√Ķes de dados com o Pixie Dust.
  6. Treine os modelos de aprendizado de m√°quina com scikit-learn.
  7. Avalie o desempenho da predição.

Components

IBM Data Science Experience

An√°lise de dados em um ambiente configurado e colaborativo.

Technologies

Analytics

Localizando padr√Ķes em dados para gerar informa√ß√Ķes.

Inteligência Artificial

Tecnologias cognitivas capazes de entender, raciocinar, aprender e interagir como seres humanos.

Data Science

Sistemas e m√©todos cient√≠ficos para analisar dados estruturados e n√£o estruturados, a fim de extrair conhecimento e percep√ß√Ķes.

Related Blogs

Nenhuma publicação correspondente ao seu critério de busca foi encontrada

Related Links

Watson Studio

Vença seus maiores desafios de dados com as melhores ferramentas e as descobertas mais recentes em um ambiente social desenvolvido por cientistas de dados.

pandas

Fornece ferramentas de análise de dados e estruturas de dados de alto desempenho fáceis de usar para a linguagem de programação Python.

Pixie Dust

Uma biblioteca auxiliar Python de software livre que funciona como um complemento para Jupyter Notebooks para melhorar a experiência do usuário no trabalho com dados.

scikit-learn

Ferramentas simples e eficientes para mineração de dados e análise de dados