Yenilenen sinir ağları kullanarak COVID-19 vakalarının tahmini

COVID-19 salgını, küresel sağlık sektörü, hükümetler ve toplumlar için birçok zorluk oluşturan dünya çapında bir sağlık sorununa neden oldu çünkü pandeminin yönetimi ve kontrolü büyük ölçüde hastalığın yayılması ve ciddiyetine ilişkin doğru tahminlere bağlı. Bu tez, Uni-LSTM, Bi-LSTM ve DNN'ler gibi derin öğrenme modellerinin COVID-19 tahmini için uygulanmasını araştırmaktadır. Çeşitli ülkelerden vakalar, hastaneye yatışlar ve ölümler gibi gerçek verileri toplar ve inceler. Derin öğrenme modelleri, sonuçları Doğruluk, Kesinlik, Geri Çağırma ve F1 puanı gibi metriklere dayalı olarak karşılaştırarak verileri eğitir ve değerlendirir. Çalışmanın bulguları, Bi-LSTM'nin hastalığın yayılımını ve ciddiyetini doğru bir şekilde tahmin etmede diğer modellerden daha iyi performans gösterdiğini göstermektedir.Bi-LSTM algoritmasında Bidirectional LSTM algoritmasında doğruluk oranı %95.38, R-Squared değeri %99.81 olarak görülmüştür. Bu çalışma, göğüs röntgeni görüntülerinde Covid-19'u ve bulunamayan oluşumları tanımak için derin öğrenmeye dayalı bir yaklaşım kullanılmasını önermektedir. COVID-19 tahmini için LSTM ve DNN sistemlerinin uygulanmasına ışık tutuyor. Doğru ve güvenilir tahminlere ulaşmada veri kalitesinin ve miktarının önemini vurgular. Eğitilmiş modellerin sınıflandırma performansı, yukarıdaki metrikler kullanılarak değerlendirildi.