Cenário: Graças ao avanço dos algoritmos de machine learning e deep learning coisas que antes eram impensáveis hoje podem ser automatizadas, hoje trarei um grande exemplo disso: O caso desse projeto em que através de imagens de raio-x podemos pré-diagnosticar doenças pulmonares com uma grande taxa de acerto e assim tornar mais rápido e preciso a avaliação médica posterior.
Solução proposta: Será usada uma rede neural convolucional que explicando a grosso modo recebe a imagem, as camadas internas da rede extraem caracteristicas dessas imagens e passam essas caracteristicas para a camada de saída responsável por classificar entre as 4 categorias estabelecidas acima.
Tensorflow | Keras | Scikit Learn | OpenCV | MatPlotLib | Numpy | Seaborn
> Deep Learning
> Transferência de aprendizagem: Rede Resnet
> Divisão de dados: Holdout
Foi usada uma rede neural convolucional que recebeu grande parte da sua arquitetura atráves de um rede neural maior já treinada chamada de Resnet através de transferência de aprendizagem. A Resnet é uma arquitetura de rede neural que foi treinada com uma base de 11 milhoes de imagens chamada imagenet.
Como base de dados possuíamos um banco de imagens de raio-x dividido em 4 classe sendo: 0-Covid19, 1-Pessoas sem nenhuma doença, 2-Pneumonia Viral, 3-Pneumonia Bacteriana. a Camada de entrada e as camadas ocultas foram transferidas da Resnet, a camada de saída foi personalizada. Ao final do treinamento o modelo alcançou uma acurácia de 82%.