iMed વપરાશકર્તા માર્ગદર્શિકા
પરિચય
1.1. હેતુ
આનો હેતુ web એપ્લિકેશનનો અર્થ એ છે કે કાચી માહિતી લેવી અને નિર્ણય લેવામાં ઉપયોગી પરિણામો આપે તે રીતે તેને હેરફેર કરવાની મંજૂરી આપવી. આ કાચા ડેટા સાથે મોડેલને તાલીમ આપવા અથવા મોડેલો અને વિશ્લેષણનો ઉપયોગ કરીને પરિણામની આગાહી કરવા માટે હોઈ શકે છે.
1.2. નેવિગેશનલ મેનુ
પૃષ્ઠની ટોચ પરના નેવિગેશનલ મેનૂમાં તમારે જ્યાં જવાની જરૂર છે ત્યાં જવા માટે બધી લિંક્સ ધરાવે છે. જો તમે ક્યારેય ખોવાઈ જાઓ છો, તો તમે હંમેશા પરિચિત પૃષ્ઠ પર જવા માટે પાછળના તીરને ક્લિક કરી શકો છો, ઘરે પાછા જઈ શકો છો અથવા નેવિગેશનલ મેનૂમાં તમે શોધી રહ્યાં છો તે પૃષ્ઠ શોધી શકો છો.
1.3. એકાઉન્ટ
જો તમારી પાસે પહેલેથી એકાઉન્ટ નથી, તો તમારે એપ્લિકેશનનો ઉપયોગ કરવા માટે નોંધણી કરાવવી આવશ્યક છે. આમ કરવા માટે, ઉપર જમણી બાજુએ એકાઉન્ટ બટન પર ક્લિક કરો અને નોંધણી કરો ક્લિક કરો. પછી આગળ વધવા માટે તમારું વપરાશકર્તા નામ, પાસવર્ડ અને ઇમેઇલ દાખલ કરો.
જો તમારી પાસે પહેલેથી જ એકાઉન્ટ છે, તો તમારા વપરાશકર્તા નામ અને પાસવર્ડ સાથે સાઇન ઇન કરો.
હોમ પેજ
પૃષ્ઠની ડાબી બાજુની આઇટમ્સ પર ક્લિક કરીને, દરેકનું વર્ણન પૃષ્ઠની મધ્યમાં દેખાશે જે તમને દરેક વ્યક્તિ શું કરે છે તે સમજવામાં મદદ કરશે.
iMedBot
iMedBot એપ્લિકેશન એક ઇન્ટરફેસ રજૂ કરે છે જે એજન્ટો સાથે સરળ વપરાશકર્તા ક્રિયાપ્રતિક્રિયાને પ્રોત્સાહન આપે છે, વ્યક્તિગત આગાહી અને મોડેલ તાલીમને સક્ષમ કરે છે. તે ડીપ લર્નિંગ રિસર્ચના પરિણામોને ઓનલાઈન ટૂલમાં રૂપાંતરિત કરવા તરફના પ્રથમ પગલા તરીકે સેવા આપે છે, જે આ ડોમેનમાં વધારાના સંશોધનને વેગ આપવાની ક્ષમતા ધરાવે છે. તેના સંબંધિત વપરાશકર્તા માર્ગદર્શિકા અહીં મળી શકે છે.
ડેટા વિશ્લેષણ
4.1. સબસેટ્સ પુનઃપ્રાપ્ત કરો
આ વિભાગ વપરાશકર્તાને તેમના ડેટાસેટને સંપાદિત કરવા દે છે. તમે ડ્રોપ-ડાઉન મેનૂમાંથી કાં તો નવો ડેટાસેટ અપલોડ કરવાનું પસંદ કરી શકો છો અથવા હાલના ડેટાસેટનો ઉપયોગ કરી શકો છો.
એકવાર ડેટાસેટ અપલોડ થઈ જાય, પછી તમે ડાબી બાજુના મેનૂ પરના વિકલ્પોમાંથી એક પર ક્લિક કરીને તમે કઈ ક્રિયા કરવા માંગો છો તે પસંદ કરી શકો છો.
4.1.1. ફિલ્ટર્સ પર આધારિત સબસેટ્સ પુનઃપ્રાપ્ત કરો
આ વિભાગ આપેલ ફિલ્ટર્સના આધારે મૂળ ડેટાસેટનો એક નાનો સબસેટ મેળવવાની મંજૂરી આપે છે. સબસેટમાં તમને જોઈતા મૂલ્યો પસંદ કરો અને પછી તમે અંતિમ ડેટાસેટમાં બતાવવા માંગતા હો તે કૉલમ પસંદ કરો.
4.1.2. સૉર્ટ કરેલા પરિણામો પરત કરો
આ ડેટાસેટને સૉર્ટ કરેલા સ્વરૂપમાં પરત કરે છે. લક્ષ્ય કૉલમ, સૉર્ટિંગ ક્રમ, પરત કરવા માટેની પંક્તિઓની સંખ્યા અને અંતિમ આઉટપુટમાં કઈ કૉલમ બતાવવાની છે તે પસંદ કરો.
4.1.3. ડેટાસેટ વિસ્તૃત કરો
આ વપરાશકર્તાને શબ્દકોશ તરીકે સંગ્રહિત એકવચન કૉલમને વાસ્તવિક કોષ્ટકમાં વિસ્તૃત કરવાની મંજૂરી આપે છે જે પછી વપરાશકર્તા ચાલાકી કરી શકે છે. તે નેસ્ટેડ ડેટાસેટ લે છે અને વપરાશકર્તાને જે જરૂરી છે તેને ટોચના સૌથી સ્તરમાં ખસેડે છે. પ્રથમ, ડેટાસેટ અપલોડ કરો જેમાં નેસ્ટેડ ડેટાસેટ સાથેની કૉલમ શામેલ હોય. જો કોઈ કૉલમ કે જેને વિસ્તરણની જરૂર છે તે આપમેળે શોધી કાઢવામાં આવે છે, તો પસંદ કરો કે કઈ કૉલમને વિસ્તૃત કરવી અને કઈ કૉલમ નેસ્ટેડ માહિતીમાંથી બહાર કાઢવા. સબમિટ કરો ક્લિક કરો અને તમે કરી શકો છો view નેસ્ટેડ ડેટાને બદલે કોષ્ટકના કૉલમ તરીકે તમારી માહિતી.
4.2. મર્જ કરો Files
Ctrl ક્લિક કરીને બહુવિધ ડેટાસેટ્સને પસંદ કરીને અને અપલોડ કરીને (મેક માટે આદેશ), આ તેમને અન્ય કોઈ વસ્તુ માટે ઉપયોગમાં લેવાતા કરતાં એક મોટા ડેટાસેટમાં મર્જ કરશે.
ફક્ત બધા ડેટાસેટ્સ પસંદ કરો અને જરૂરી માહિતી ભરો. આ નવા ડેટાસેટને iMed એપ્લિકેશનમાં સાચવશે અને તે પછી ડાઉનલોડ માટે ઉપલબ્ધ થશે.
4.3. પ્લોટ કાર્યો
આ વિભાગ વપરાશકર્તાને તેમના ડેટાસેટની રચના કરવા દે છે. ડાબી બાજુના મેનુમાંથી એક વિકલ્પ પસંદ કરો અને પછી તમારો પ્લોટ મેળવવા માટે જરૂરી ફીલ્ડ્સ ભરો. નીચે તમે તમારા ડેટામાંથી પ્લોટના પ્રકારો બનાવી શકો છો:
4.4. આંકડાકીય વિશ્લેષણ
આ વિભાગ અમને અમારા ડેટાસેટ પર આંકડાકીય પરીક્ષણો ચલાવવા દે છે. ડાબી બાજુના મેનૂમાંથી ચલાવવા માટે એક પરીક્ષણ પસંદ કરો અને પરીક્ષણો ચલાવવા માટે ફીલ્ડ્સ ભરો. નીચે ઉપલબ્ધ પરીક્ષણોના પ્રકારો છે:
ODPAC
5.1. જાણો
આ પૃષ્ઠમાં આ પૃષ્ઠ પર ઉપલબ્ધ દરેક પ્રકારના સંસાધનોનું સંક્ષિપ્ત વર્ણન શામેલ છે. દરેક વિભાગની ટોચ પરના બટનને ક્લિક કરવાથી વપરાશકર્તાને વિષયનો ઉપયોગ કરવા અથવા તેના વિશે વધુ જાણવાની મંજૂરી આપતા બીજા પૃષ્ઠ સાથે લિંક થશે.
5.1.1. એપિસ્ટેસિસ
આ પૃષ્ઠ અમને MBS નો ઉપયોગ કરવા દે છે, જે ડેટામાંથી શીખવા માટે શોધ અલ્ગોરિધમ છે. ખાસ કરીને, તે અમને એપિસ્ટેસિસનો અભ્યાસ કરવાની મંજૂરી આપે છે, બે અથવા વધુ જનીનો વચ્ચેની ક્રિયાપ્રતિક્રિયા જે ફેનોટાઇપને અસર કરે છે. આ પ્રો માટે ઉપયોગી છેfile આનુવંશિક પાસા માં રોગો. જીનોમ-વાઇડ એસોસિએશન સ્ટડીઝ (જીડબ્લ્યુએએસ) માં મળેલા ઉચ્ચ-પરિમાણીય ડેટાને હેન્ડલ કરવા માટે પરંપરાગત પદ્ધતિઓ અનુકૂળ નથી. મલ્ટીપલ બીમ સર્ચ (MBS) અલ્ગોરિધમ વધુ ઝડપી દરે ક્રિયાપ્રતિક્રિયા કરતા જનીનોને શોધવાની મંજૂરી આપે છે. તમે ઉપયોગ કરવા માંગો છો તે ડેટા અપલોડ કરો અને પછી જરૂરી ફીલ્ડ્સ ઇનપુટ કરો. વધુ ગહન માહિતી માટે, સંપૂર્ણ પેપર અહીં શોધો.
5.1.2. જોખમ પરિબળો
આ પૃષ્ઠ અમને ડેટા વચ્ચેની ક્રિયાપ્રતિક્રિયાઓ જાણવા માટે IGain પેકેજનો ઉપયોગ કરવા દે છે. તે ખાસ કરીને હ્યુરિસ્ટિક શોધનો ઉપયોગ કરીને ઉચ્ચ-પરિમાણીય ડેટામાંથી ક્રિયાપ્રતિક્રિયાઓ શીખે છે. આ પદ્ધતિ નિમ્ન-પરિમાણીય ડેટામાંથી ક્રિયાપ્રતિક્રિયાઓ શીખવા માટે અગાઉ વિકસાવવામાં આવેલી Exhaustive_IGain પદ્ધતિ પર બને છે. ડેટા અપલોડ કરો અને પછી જરૂરી ફીલ્ડ્સ ઇનપુટ કરો. IS થ્રેશોલ્ડ અને iGain વિશે વધુ માહિતી અહીં મળી શકે છે.
5.1.3. અનુમાન મોડલ્સ
આ વિભાગ તેના ઉપયોગને ઝડપી બનાવવા માટે મશીન લર્નિંગ મૉડલ્સની ટોચ પર પહેલેથી જ પૂર્વ-બિલ્ટ અનુમાન મૉડલ્સનો ઉપયોગ કરવાની મંજૂરી આપે છે. આ તેમના પોતાના ડેટાસેટનો ઉપયોગ કરીને મોડલ્સની આગાહી કરવા માટે કોડિંગ અને અગાઉના અનુભવના ઉપયોગ વિના તેમના ઉપયોગની મંજૂરી આપે છે. લોજિસ્ટિક, રીગ્રેસન, સપોર્ટ વેક્ટર મશીન્સ (SVM), ડિસિઝન ટ્રીઝ અને ઘણા બધા સહિત યુઝર માટે અસંખ્ય અનુમાન મોડલ ઉપલબ્ધ છે. આગાહી પદ્ધતિઓની સંપૂર્ણ સૂચિ અહીં પૃષ્ઠની જમણી બાજુએ જોવા મળે છે.
5.2. આગાહી
આ વિભાગ અગાઉ અપલોડ કરેલ શેર કરેલ મોડલ પરથી અનુમાનો કરવાની મંજૂરી આપે છે. પહેલા શેર કરેલ મોડલ અપલોડ કરો જો તે પહેલાથી કર્યું નથી. પછી મોડેલના નામ પર ક્લિક કરીને અનુમાન માટે ઉપયોગ કરવા માટે મોડેલ પસંદ કરો. પછી ઉપયોગ કરવા માટે આગાહી મોડેલ માટે ડેટા અપલોડ કરો. આ પૃષ્ઠના તળિયે ફોર્મનો ઉપયોગ કરીને અથવા ડાઉનલોડ માટે ઉપલબ્ધ નમૂનાનો ઉપયોગ કરીને મેન્યુઅલી કરી શકાય છે. જો ટેમ્પલેટનો ઉપયોગ કરી રહ્યાં હોવ, તો ડેટાસેટ અપલોડ કરો file અને મોડેલની આગાહી મેળવવા માટે સબમિટ કરો પર ક્લિક કરો.
5.3. નિર્ણય આધાર
નિર્ણય આધાર વર્ગીકરણ પ્રદાન કરે છે અને સિસ્ટમને પૂરી પાડવામાં આવેલ માહિતીમાંથી સારવારની પસંદગીઓનું માર્ગદર્શન કરી શકે છે. દર્દીની વિશેષતાઓના આધારે શ્રેષ્ઠ સારવાર પ્રક્રિયાની ભલામણ કરવા માટે તેને ડેટામાંથી તાલીમ આપવામાં આવી છે. ક્લિનિકલ ડિસિઝન સપોર્ટ સિસ્ટમ્સ (CDSS) સંબંધિત વધુ માહિતી અહીં મળી શકે છે.
સિસ્ટમ ભલામણ દર્દીની વિશેષતાઓ લે છે અને સારવાર પ્રક્રિયાની ભલામણ કરે છે અને 5 વર્ષની મેટાસ્ટેસિસની ભાવિ સંભાવનાની આગાહી કરે છે. શ્રેષ્ઠ સારવારને બદલે વર્તમાન સારવારના આધારે 5 વર્ષની મેટાસ્ટેસિસની ભાવિ સંભાવનાની આગાહી કરવા માટે વપરાશકર્તા હસ્તક્ષેપ દર્દીના લક્ષણો અને સારવાર પ્રક્રિયા બંને લે છે.
MBIL
માર્કોવ બ્લેન્કેટ અને ઇન્ટરેક્ટિવ રિસ્ક ફેક્ટર લર્નર (MBIL) એ એક અલ્ગોરિધમ છે જે એકલ અને ઇન્ટરેક્ટિવ જોખમ પરિબળો શીખે છે જેનો દર્દીના પરિણામ પર સીધો પ્રભાવ હોય છે. અહીં સ્થિત MBIL પેકેજ માટે પાયથોન પેકેજ ઇન્ડેક્સ (PyPI) પર રીડાયરેક્ટ થવા માટે "MBIL પર જાઓ" પર ક્લિક કરો. MBIL વિશે વધુ માહિતી BMC બાયોઇન્ફોર્મેટિક્સ પર મળી શકે છે.
ડેટાસેટ્સ
આ વિભાગ વપરાશકર્તાને નવા ડેટાસેટ્સ જોવા અને અપલોડ કરવાની મંજૂરી આપે છે web અરજી
7.1. ઉપલબ્ધ તમામ ડેટાસેટ્સ જુઓ
ઉપલબ્ધ તમામ ડેટાસેટ્સ જોવા માટે, ફક્ત "ઉપલબ્ધ ડેટાસેટ્સ બતાવો" પર ક્લિક કરો.
7.2. ડેટાસેટ અપલોડ કરો
ડેટાસેટ અપલોડ કરવા માટે, "તમારા ડેટાસેટ્સ શેર કરો" પર ક્લિક કરો અને પછી પર જણાવ્યા મુજબ જરૂરી માહિતી ભરો. webપાનું. પ્રથમ, ડેટાસેટ અપલોડ કરો અને જરૂરી ફીલ્ડ્સ ભરો.
પછી, નીચેની ફીલ્ડ્સ ભરો અથવા ટેક્સ્ટ અપલોડ કરો file ભરેલી માહિતી સાથે. ભૂતપૂર્વampમાહિતીને કેવી રીતે ગોઠવવી જેથી એપ્લિકેશન તેને સમજી શકે તે નીચે આપેલ છે.
મોડલ્સ
આ વિભાગ વપરાશકર્તાને તેમના માટે ઉપલબ્ધ મૉડલ જોવા અને મૉડલ શેર કરવાની મંજૂરી આપે છે.
8.1. ઉપલબ્ધ બધા મોડલ્સ જુઓ
ઉપલબ્ધ તમામ મોડલ્સ જોવા માટે, "ઉપલબ્ધ મોડલ્સ બતાવો" પર ક્લિક કરો.
8.2. એક મોડેલ શેર કરો
મોડલ શેર કરવા માટે, “Share Your Models” પર ક્લિક કરો અને પછી મોડલ અપલોડ કરો file ટેન્સર ફ્લો અથવા PyTorch દ્વારા પ્રશિક્ષિત.
8.2.1. સંબંધિત ડેટાસેટ
પછી તમારે સંબંધિત ડેટાસેટ અપલોડ કરવો જોઈએ જેમાં હેડરનો સમાવેશ થાય છે. ડેટાસેટ માટેનો વર્ગ/લેબલ છેલ્લી કૉલમમાં હોવો જોઈએ.
8.2.2. આગાહીકારો અને વર્ગ માહિતી
જો ડેટાસેટમાં તમામ સુવિધાઓ શામેલ હોય, તો ડેટાસેટ અપલોડ કર્યા પછી ફીચર ફોર્મને છોડી શકાય છે. જો કે, જો તે બધા શામેલ નથી, તો આ માહિતી વર્ણનમાં પ્રદાન કરવી આવશ્યક છે file અથવા ફીચર ફોર્મની અંદર. તમે આગાહીકારો અને વર્ગની માહિતી કેવી રીતે પ્રદાન કરવા માંગો છો તે દર્શાવતા ડ્રોપ ડાઉનમાંથી વિકલ્પ પસંદ કરો.
જો વર્ણન વિકલ્પનો ઉપયોગ કરો છો, તો તમે કાં તો ફીલ્ડ્સ ભરી શકો છો અથવા ટેક્સ્ટ અપલોડ કરી શકો છો file ભરેલી માહિતી સાથે. ભૂતપૂર્વampમાહિતી કેવી રીતે ગોઠવવી તે નીચે આપેલ છે.
દસ્તાવેજો / સંસાધનો
 |
એપ્સ iMed Web અરજી [પીડીએફ] વપરાશકર્તા માર્ગદર્શિકા iMed, iMed Web અરજી, Web અરજી |