Transcription
[موسيقى] شكراً جزيلاً لكالفن على تقديم مقدمتي أو للجميع مرحباً بالجميع مساء الخير هنا لذا نعم سنطلب من كالفن التحدث عن تحليلات الرعاية الصحية التي قد تساعد في علاج السرطان لذا سنتحدث عن ذلك بالتفصيل اليوم لذا كيف ترتبط تحليلات الرعاية الصحية ببعضها البعض مثل ما هي تطبيقات التحليلات في صناعة الرعاية الصحية ما هي حالات الاستخدام المختلفة المختلفة الممكنة في صناعة الرعاية الصحية وما هو تأثير حل تلك المشكلات المتعلقة بالرعاية الصحية في الصناعة باستخدام التحليلات حسناً وسنتجه إلى الجانب التقني أيضاً مثل ما هي تطبيقات التحليلات المتقدمة في المؤسسة ما هي الهندسة المعمارية التي تدور حولها ما هي مجموعات الأدوات المطلوبة لتنفيذ حلول قائمة على التحليلات وأخيراً سنتعمق بالتأكيد في التنبؤ بالسرطان باستخدام حالة استخدام التحليلات المتقدمة سنرى كيف أن تحليلات البيانات لا تمنع فقط ولكنها تساعد أيضاً في علاج السرطان بشكل كبير حسناً لذا دعنا نبدأ بمقدمة لصناعة الرعاية الصحية أعتقد أننا جميعاً نعرف عن صناعة الصحة لذا فهي واحدة من الصناعات الرائدة التي تحتاج إلى تقنيات عالية التقنية لتحسين وتقديم حالات استخدامها وحلولها المختلفة حسناً لذا بالتأكيد صناعة الرعاية الصحية هي صناعة مستهدفة محتملة للمهندسين التحليليين أو المهنيين لاستهداف وحل المشكلات وجميعها مقسمة إلى مستشفيات ومعدات وخدمات رعاية صحية وصناعات دوائية لذا المستشفيات يعرف الجميع أن هناك مستشفيات مختلفة وتتطلب حلولاً مختلفة لمشاكلها لذا يمكن لتحليلات البيانات أن تساهم في ذلك ثم لدينا معدات وخدمات الرعاية الصحية حيث نتحدث ليس فقط عن معدات تشغيل شخص ما أو البنية التحتية المطلوبة في المستشفيات ولكن أيضاً عن جميع أجهزة الاختبار وأجهزة التصوير وأجهزة البحث والتطوير التي تعتبر حاسمة للغاية في صناعة الرعاية الصحية ثم أخيراً لدينا صناعة كبيرة للأدوية حيث يتم تصنيع وبيع جميع الأدوية والمنتجات المماثلة للتكنولوجيا الحيوية وعلوم الحياة حسناً لذا فإن هذه الصناعة لها أيضاً تأثير محتمل من تحليلات البيانات لذا كما ترى أن 10٪ من الناتج المحلي الإجمالي لمعظم الدول المتقدمة في صناعة الرعاية الصحية لذا 10٪ من إجمالي إنتاج بلد ما هو على الرعاية الصحية على الأقل هذا على الأقل وفقاً للأمم المتحدة لذا بالتأكيد تحليلات البيانات هي تطبيق كبير وكبير فوق الصناعة حسناً لذا دعنا نتعمق في أصحاب المصلحة الأساسيين في صناعة الرعاية الصحية لذا لدينا ثلاثة أصحاب مصلحة أساسيين واحد مصنعو الأدوية أو المعدات الأشخاص الذين يصنعون الأدوية أو المعدات اللازمة للحصول على جهاز تصوير مثل جهاز التصوير بالرنين المغناطيسي أو جهاز التصوير المقطعي المحوسب لذا هؤلاء المصنعون هم أصحاب المصلحة الأساسيون ثم لدينا مقدمون الخدمة لذا مقدمو الخدمة ليسوا فقط المستشفيات ولكن أيضاً الأطباء لذا نذهب عندما نتحدث عن الاستشفاء أو علاج العيادات الخارجية للمريض فإننا نذهب بالتأكيد إلى مقدمي الخدمة سواء كان مستشفى أو عيادة أو طبيب حسناً لذا هؤلاء هم أصحاب المصلحة الأساسيون الثانيون ثم أصحاب المصلحة الأساسيون الثالثون هم المرضى لذا أعلم أن كل شيء في النهاية يعود إلى العميل أو المريض حيث يتعين علينا تقليل خطر العقم وتقليل المبلغ الإجمالي المنفق على الرعاية الصحية الخاصة بهم ثم أخيراً تحسين تجربة الرعاية الصحية الشاملة للمستشفيات ومقدمي الخدمة والمصنعين حسناً لذا هذه هي المشاكل الاحترام التي يتعين علينا حلها باستخدام تحليلات البيانات هذه يتم حلها باستخدام حلول غير تحليلات البيانات أيضاً ولكن بالتأكيد مع تقدم التحليلات التنبؤية والتعلم الآلي وتقنيات البيانات المماثلة يتم حل الكثير من هذه المشاكل بطريقة أفضل وبطريقة احترافية في الصناعة هذه الأيام حسناً لذا دعنا نتعمق في تحليلات الرعاية الصحية لذا تحليلات الرعاية الصحية تدور حول البحث والتطوير للبيانات السريرية وهي تدور حول التحقق من جميع الإمكانيات المتاحة لجمع السجلات الطبية الإلكترونية والمخططات والبيانات العاطفية لسلوك المرضى وتفضيلاتهم ومشترياتهم لذا عندما نحصل على كل هذه البيانات المجمعة بالتأكيد نحتاج إلى تحليلات فوق البيانات وإلا فإننا نهدر البيانات التي جمعناها من هذه المجموعة الواسعة من المصادر حسناً لذا هنا تأتي تحليلات الرعاية الصحية مع حالات استخدام مختلفة لذا سنتحدث عنها ولكن في الوقت الحالي دعنا نفهم ما هو النمو لذا مع نمو الصناعات التي تراها الرعاية الصحية والرعاية الصحية هي 10٪ من الناتج المحلي الإجمالي للسكان ثم نحن من الرعاية الصحية تحليلات الرعاية الصحية من المتوقع أن تنمو إلى 31 مليار دولار بحلول عام 2022 وهذا يعني أنها صناعة كبيرة حقاً عبر الولايات المتحدة نفسها ثم لدينا ما يقرب من 190 دولة حيث في كل بلد بالتأكيد جزء كبير من الناتج المحلي الإجمالي هو على الرعاية الصحية وبالتأكيد يتم إنفاق المليارات على تحليلات الرعاية الصحية أيضاً لتحسين التجربة الشاملة لجميع أصحاب المصلحة الأساسيين الثلاثة في صناعة الرعاية الصحية لذا دعنا نتحدث بإيجاز عن بعض حالات الاستخدام لذا سنتحدث أولاً عن بضع حالات استخدام بشكل عام ثم سنتعمق في إحدى حالات الاستخدام لذا سنحاول ائتمان السرطان لذا دعنا نبدأ بحالات استخدام تحليلاتك في صناعة الرعاية الصحية حسناً لذا دعنا نتحدث عن تحليل الصور الطبية أولاً لذا إذا رأيت تحليل الصور الطبية هو التطبيقات الواعدة التي تهدف إلى اكتشاف الأورام وتضيق الشرايين - تضيق عن طريق انسداد الشرايين وتحديد الأعضاء تساهم طرق وأطر عمل مختلفة في التصوير الطبي في جوانب مختلفة لذا أعلم أن هناك أجهزة يمكنها إظهار مثل القيام ببعض التصوير وإظهار التقارير للطبيب ولكن ماذا لو لم تقم فقط بالتصوير ولكن أيضاً تتنبأ بأنه حسناً إذا كنت ترى تضيقاً أم لا في الشرايين هناك انسداد في الشريان لذا في بعض الأحيان ما يحدث خصيصاً لتضيق الشرايين هو أن الأطباء غير قادرين على التنبؤ الكامل بالنسبة المئوية الدقيقة للانسداد لذا هنا يأتي تحليل الصور الطبية التحليلات حيث تأتي التطبيقات التي تسمى البيانات التي يتم جمعها من مجموعة واسعة من الآلات التي تقوم بهذا التصوير بالموجات فوق الصوتية وجميع الاختبارات تتم معالجتها من خلال خوارزميات مختلفة للتنبؤ أو لتحليل كامل على مستوى عالٍ جداً من الدقة بأن حسناً هذه هي النسبة المئوية للانسداد وهذه هي المشكلة بالضبط المشاكل لذا إذا كان هناك ورم في بعض الأحيان لا تستطيع بعض الاختبارات اكتشافه ولكن من خلال إجراء التحليلات فوق الصور يمكننا بالتأكيد القيام بهذا التحليل بشكل أفضل وسيساعد ليس فقط الطبيب ولكن أيضاً المريض على فهم مشاكلهم الدقيقة التي يمكن علاجها بسهولة حسناً لذا دعنا ننتقل إلى حالة الاستخدام الثانية لذا إذا رأيت الأمر يتعلق بالوراثة وعلم الجينوم لذا يتعلق بفهم الحمض النووي لذا تحدث الكثير من الأمراض بسبب أسباب وراثية ومقاومة الحمض النووي حسناً لذا بالتأكيد يساهم الحمض النووي بشكل كبير لأن الوراثة تساهم في الأمراض والاستجابة للأدوية لمريض معين لذا بأخذ مثال لمريض لديه تاريخ عائلي للإصابة بمرض السكري حسناً لذا نرى أنه من الطبيعي جداً أن يكون مرض السكري والسمنة مرضاً وراثياً يمكن أن ينتقل إلى جيلين وأجيال معاً حسناً لذا بالتأكيد تحليلات الرعاية الصحية ككل قادرة على فهم أن حسناً هذه هي الأسباب الوراثية ما إذا كان مرض معين بالتأكيد بسبب الحمض النووي أو سبب وراثي أو أنه بسبب عوامل أخرى حسناً لذا يتحسن تشخيص المرض كثيراً لأن الطبيب يفهم أنه لا يمكن أن يكون هناك سبب للوراثة فحسب بل يمكن أن يكون هناك أي سبب آخر لنفترض في حالة الاستخدام هذه قمنا بتحليل الحمض النووي للمريض وعائلة المريض ورأينا أنه ليس بالضرورة أن يكون المرض بسبب الحمض النووي لأننا على سبيل المثال ننظر إلى الحمض النووي لوالديه وحمض نووي أطفالهما لا يرون سبب معاناة الطفل من مثل السرطان أو شيء ما بسبب سبب وراثي أو سبب الحمض النووي حسناً لذا بالتأكيد لم يكن هذا ممكناً قبل أن يكون لدينا تحليلات بيانات في المكان لذا طالما نضجت تحليلات البيانات تحسن فهم تأثير الحمض النووي على صحتنا بشكل كبير مما أدى إلى تحسين القدرة على الشفاء من المرض بشكل كبير أيضاً حسناً لذا الجميع يفهم أو كل شيء سيستغرق آخر خمس إلى عشر دقائق لأخذها حيث يمكنك وضع أسئلتك في مربع الدردشة حسناً لذا بالانتقال إلى حالة الاستخدام الثالثة حيث نتحدث عن إنشاء الأدوية وإعادة إنشاء الأدوية لمرض معين لذا بالتأكيد هناك سنوات وسنوات من الخبرة التي تم إجراؤها بعضها يتراوح من 15 إلى 20 عاماً أيضاً للوصول إلى تركيبة معينة من مركب سيشفي مرضاً معيناً حسناً لذا بدلاً من التجربة على مثل سلسلة من خنازير غينيا أو على خنزير غينيا نوع من العينات على بعض الحيوانات أو بعض المرضى العينة ما يمكن فعله هو باستخدام التحليلات المتقدمة والنمذجة الرياضية والمحاكاة يمكننا معرفة كيف سيتفاعل مركب مع نوع معين من الجسم لذا بهذه الطريقة تتأثر أشياء كثيرة عندما يتأثر الأشخاص أو الحيوانات التي تأثرت بإنشاء الأدوية وتعاني بسبب ذلك يمكن تقليل ذلك كثيراً ثم ثانياً عندما نتحدث عن السنوات التي قضيت في إجراء هذه التجارب لأنها تشمل كائنات حية مثل الحيوانات أو الأشخاص فإنها تميل إلى إظهار النتائج بعد فترة من الوقت إنها ليست تشغيل برنامج كمبيوتر تقوم بتشغيل البرنامج وتحصل على النتيجة في خمس إلى عشر دقائق إنها مثل أيام أو أيام من تجارب المختبر التي يمكن أن تستغرق سنوات للوصول إلى دواء معين للمرض حسناً لذا بما أنه يمكننا أتمتة ومحاكاة تفاعل المركب أو في جسم معين لذا يتم تقليل الاعتماد على الوقت والتأثير على صحة الناس حسناً لذا بالتأكيد هذه حالة استخدام واحدة حيث سيكون حقوق الإنسان سعداء جداً بها ثم الانتقال إلى حالة استخدام الطب التنبؤي لذا ليس فقط يمكننا أن نقول حسناً هذه هي كيفية إنشاء دواء معين بشكل أسرع وأفضل ولكن أيضاً إذا كان شخص ما سيعاني من مرض ما في المستقبل فإن تحليلات البيانات قادرة على التنبؤ بذلك بناءً على أعراضهم والملاحظات السريرية يمكننا العثور على ارتباطات وارتباطات للأعراض والعادات السابقة وجميع هذه الأمراض لأننا سنحصل على مجموعة واسعة من البيانات حيث سنجد مثل شخص معين لديه نمط حياة خامل ولا يمارس الرياضة كثيراً ويتناول الكثير من الأطعمة غير الصحية على سبيل المثال من المرجح أن يعاني من مثل مرض السكري لذا بالتأكيد يمكننا التنبؤ بأنه إذا كان لا يعاني الآن إذا استمر فسنرى بالتأكيد أنه يمكن أن يعاني من مرض السكري في المستقبل لذا بناءً على ذلك تزداد دقة التشخيص للطبيب أو مقدم الخدمة ويتم إرسال الأدوية التنبؤية والإجراءات التصحيحية التنبؤية والتنبيهات إلى المريض المحدد حتى يقوموا بتصحيح نمط حياتهم أو يتناولون الدواء التنبؤي لمنع المرض المحدد في المستقبل لذا بالتأكيد هذه أيضاً حالة استخدام جيدة للأشخاص الذين يعانون من أمراض نمط الحياة حسناً لذا بالانتقال إلى حالة استخدام المساعد الافتراضي للمرضى ومقدمي الخدمة ودعم العملاء للمرضى لذا إذا رأيت تحسين العمليات السريرية التي تكون بطيئة جداً في الطبيعة في بعض الأحيان أو معقدة جداً في الطبيعة أو على مفهوم أن العديد من الحالات ليست ضرورية في الواقع للمرضى لزيارة الأطباء لذا ما يحدث هو عندما يذهب مريض معين إلى الطبيب لأول مرة ويوصي الطبيب بدواء معين مثل قرحة المعدة حسناً لذا قام الطبيب بتشخيص أن شخصاً معيناً يعاني من قرحة المعدة ويعطي الطبيب بعض الأدوية مثل باور أو 10 ملغ للبدء ثم يقول أنه حسناً حسناً إذا كان بإمكانك استشارتي إذا كانت هناك أي مشكلة لذا ما يحدث إذا لم يشعر المريض بتحسن بعد تناول الدواء يذهب المريض إلى الطبيب ثم يقوم الطبيب فقط بما يفعله الطبيب هو أنه يزيد الجرعة من 10 ملغ إلى مثل 50 ملغ أو 25 ملغ فقط يزيد قوة الدواء لأنهم يفهمون أن التشخيص واضح ولكن الشيء الوحيد هو أن قوة الدواء المطلوبة أعلى لذا ما يحدث في هذه الحالة هو عدم الراحة للمريض وعدم الراحة للطبيب وأيضاً في النهاية هو وضع خاسر خاسر لكليهما لذا إذا كان بإمكاننا تحسين العملية السريرية ويمكننا القول حسناً سأقدم لك مساعداً افتراضياً حتى إذا لم تشعر بتحسن بعد الدواء فما عليك سوى زيادة قوة الدواء بالطبع سيكون هناك بيانات خلفية لذلك ليس الأمر دائماً أنك تزيد القوة بشكل أعمى بالتأكيد سيكون للمساعد الافتراضي محرك تحليلي في الخلفية وبناءً على تحليل البيانات المقدمة من قبل المريض سيظهر المساعد الافتراضي للمريض أنه حسناً بناءً على مدخلات بياناتك وجميع التشخيصات التي تم إجراؤها يتعين عليك زيادة تناول الدواء الخاص بك إلى هذا القدر المحدد 25 ملغ أو 50 على التوالي حسناً لذا هذه هي الطريقة التي نحسن بها التجربة الشاملة للمريض حتى لا يضطر إلى زيارة الأطباء أو لا يضطر إلى التوتر إذا كان دواء معين أو تشخيص معين لا يعمل بشكل جيد لذا بالتأكيد يمكن التعامل مع الأسئلة الأساسية والحلول الأساسية مع المساعدين الافتراضيين لدعم العملاء للمرضى ودعم العملاء بالتأكيد لا نتحدث عن هذه الحالات حيث يوصون بها ولكن دعم العملاء لحجز المستشفيات ودعم العملاء لعمليات المستشفيات والمدفوعات والتمويل وكل شيء يمكن أتمتته باستخدام حالات استخدام تحليلات البيانات لذا بالتأكيد هذا أيضاً تطبيق لتحليلات البيانات في صناعة الرعاية الصحية لذا آمل أن يتم فهم كل شيء من قبل الجميع يرجى وضع أسئلتك في مربع الدردشة إذا كان لديك بعض الأسئلة سأحاول الإجابة في نهاية هذه الجلسة حسناً الآن بالانتقال إلى حالة الاستخدام التالية لتحليلات وسائل التواصل الاجتماعي لذا تحليلات وسائل التواصل الاجتماعي تدور حول أنواع مختلفة من التحليلات التي يمكن إجراؤها على البيانات حيث يمكن إجراء تحليل الاستشعار والشبكات للشخص الذي يعاني من مرض عقلي ما هي أنشطته على وسائل التواصل الاجتماعي وماذا يفعل في وسائل التواصل الاجتماعي كل يوم قمنا بذلك يمكن للطبيب النفسي أو الأخصائي النفسي مراقبة أنشطتهم وفهم الاتجاهات والأنماط للعميل باستخدام منصة وسائل التواصل الاجتماعي وبناءً على ذلك يمكنهم فهم أنماط سلوكهم لتحديد مشكلتهم الدقيقة حسناً لذا يمكن تحسين هذه باستخدام تحليلات البيانات فوق بيانات وسائل التواصل الاجتماعي ثم ثانياً تحليل المشاعر تحليل المشاعر الأساسي إذا أراد مستشفى أو منتج إجراء تحليل المشاعر لنفترض أن قشور هذا الجهاز المحدد كأداة سمع للأشخاص الذين يعانون من مشاكل في السمع ويريدون معرفة حسناً لقد أطلقت هذا في السوق مؤخراً ما هو الشعور تجاه هذا لذا بالتأكيد يمكنهم سحب قاعدة بيانات وسائل التواصل الاجتماعي حول الكلمات الرئيسية لأسماء منتجاتهم وبناءً على المشاعر الإيجابية والسلبية والمحايدة يمكنهم فهم كيفية أداء منتجهم من وجهة نظر العميل لذا بالتأكيد تحليلات وسائل التواصل الاجتماعي هي حالة استخدام جيدة جداً في صناعة الرعاية الصحية آخر حالة استخدام من مجموعة واسعة من حالات الاستخدام سنتحدث عن تحليلات عمليات الأعمال حيث يتم تحسين العملية وتحسين الأداء لذا الأمر أشبه بأن هذه حالة استخدام عامة عامة قابلة للتطبيق ليس فقط على الرعاية الصحية ولكن أيضاً على جميع الصناعات لذا يتعلق الأمر أكثر بتحسين معدل الأداء لذا فقط إعطاء نظرة عامة موجزة عن حالات الاستخدام الأخرى لذا يمكننا تسجيل المخاطر يمكننا تسجيل مخاطر الأمراض المزمنة التي يعاني منها السكان يمكننا تجنب إعادة دخول المستشفى لمدة 30 يوماً باستخدام عوامل خطر المريض وفهم احتمالية خطر إعادة الدخول يمكننا المضي قدماً وفهم تدهور المريض خاصة عندما يكونون في وحدات غير العناية المركزة سواء كان نقلهم إلى العناية المركزة أم لا عن طريق التحقق وإجراء تحليلات في الوقت الفعلي بانتظام على العلامات الحيوية للمريض حسناً لذا بالتأكيد يمكن تحقيق التدهور المبكر باستخدام تحليلات البيانات لتأجيل المواعيد وعدم الحضور يمكن القيام بذلك باستخدام التحليلات التنبؤية لذا هناك تطبيقات مختلفة الآن يمكننا استخدامها وحجز المواعيد ولكن معظم المواعيد تذهب إلى عدم الحضور من منظور المريض أو الطبيب لذا يمكننا التنبؤ بأنه حسناً أين يوجد احتمال كبير لعدم الحضور من قبل طبيب أو مريض يمكننا إرسال تنبيه إليهم حتى يتمكنوا من زيادة تجربتهم بشكل عام ثم أخيراً لدينا التنبؤ بنمط استخدام المريض لذا عندما نتحدث عن أنظمة المعلومات الصحية القادرة على التنبؤ باستجابة المريض لدورات أو علاج معين عن طريق مطابقة المعلومات الجينية مع النتائج لذا بالتأكيد هذه أيضاً حالة استخدام جيدة لعميل معين حسناً لذا كانت هذه حالات الاستخدام الآن دعنا نتحدث عن جزء التنفيذ الجزء التقني منه حسناً لذا تقنياً هناك خمس مراحل أساسية خمس مراحل رئيسية حيث نحدد هدف مشروع تحليلات البيانات لدينا ما هي مشكلة العمل المحددة كيف نحللها ثم الحصول على البيانات واستكشافها ثم نمذجة البيانات ثم تفسير البيانات وإبلاغها إلى أصحاب المصلحة وأخيراً تنفيذها وتوثيقها وصيانتها في بيئة الإنتاج حسناً لذا سأقدم نظرة عامة موجزة على كل من هذه الأقسام الرئيسية لذا دعنا نبدأ بأهداف المشروع لذا نحدد مشكلة العمل ونحصل على الخبرة المتخصصة من الخبراء المتخصصين إذا كنت أتحدث عن حل مشكلة التزام المريض بدواء معين لذا سأفهم كيف تعمل الصيدليات وكيف يعمل المرضى في الصيدليات وما هي المشاكل المختلفة التي تواجهها الصيدليات والمرضى الذين يتعاملون مع الأدوية من الصيدليات لذا هذه الخبرة مطلوبة بالتأكيد من منظور العمل كجزء من تحديد أهداف المشروع ثم نحدد أولويات معايير النمذجة نأخذ في الاعتبار المخاطر ومعايير النجاح نقرر ما إذا كنا سنستمر في أهداف المشروع أم لا لذا كل هذه نقاط مؤلمة قبل بدء مشروع معين لذا بدون فهم كل هذه الأولويات المخاطر النجاح أو الفشل ما إذا كنا سنستمر أم لا لذا كل هذه مطلوبة لبدء المشروع وبمجرد أن يكون كل شيء واضحاً حسناً هذه هي مشكلة العمل هذه هي قائمة مجموعات البيانات التي أرغب في الحصول عليها وهذا هو الحل النهائي الذي أريده ثم يمكنني المضي قدماً في الحصول على البيانات المناسبة ودمج البيانات في جدول واحد عن طريق إجراء بعض المعالجة المسبقة للبيانات والدمج والربط وإجراء بعض التنظيف الأساسي للبيانات حسناً لذا سيساعد هذا بالتأكيد وبعد الانتهاء من التنظيف والمعالجة المسبقة نجري تحليل استكشافي للبيانات للعثور على الأنماط والسلوكيات للمتغيرات في البيانات أو المعلمات في البيانات حسناً لذا هذا مفيد بالتأكيد للانتقال إلى خطوة النمذجة لذا بمجرد فهمك للبيانات والعوامل التي تؤثر على نتيجة حالة استخدام عمل معينة لذا بالتأكيد سنكون قادرين على نمذجة وتنبؤ لنفترض أنني أريد أن أفهم عدد المرضى أو مريض معين يعاني من السرطان أم لا أو هناك خطر الإصابة بالسرطان غداً لذا ماذا أفعل هو أنني أقوم بدمجها في جدول واحد أجري تحليل استكشافي للبيانات وأفهم أنه حسناً عندما يكون المريض لديه على سبيل المثال هذا هو القطر وهذا هو نوع المعلمات الأخرى لمنطقة السرطان للمريض لذا بالتأكيد سأكون قادراً على نمذجة أنه إذا حدث هذا حسناً إذا وجدت تآكلاً أكبر في جلد العميل فهذا احتمال كبير للإصابة بالسرطان مقارنة بواحد أصغر على سبيل المثال حسناً لذا يمكنني أن أفهم ما هي المعلمات المهمة ما إذا كان العميل يعيش في منطقة معينة من البلاد مهماً أم ما يأكله العميل نظامه الغذائي أكثر أهمية للتنبؤ بخطر السرطان من منظور العميل حسناً لذا بالتأكيد هذه هي الخطوة الثانية المفيدة ثم لدينا نمذجة البيانات حيث نختار متغيرات مختلفة نبني نماذج مرشحة نمذجة نتحقق من صحة ونختار أفضل نموذج حسناً لذا ليس الأمر مجرد بناء نموذج واحد وحساب تحليلك يتعين علينا كمهني تحليلات متقدمة أو عالم بيانات أن نجد أن هناك أنواعاً مختلفة من الحلول لنفس المشكلة وأيها هو الحل الأفضل بحيث يتم تحقيق أعلى دقة عند التنبؤ بحل معين أو عند حل مشكلة أكبر وأكبر حسناً لذا تأتي مرحلة التحقق من صحة النموذج واختياره للمساعدة في هذه المرحلة ثم لدينا تفسير النموذج والتواصل معه لذا في بعض الأحيان ما يحدث هو أننا نمذج البيانات نحصل على بعض الدقة ولكن أصحاب المصلحة غير قادرين على فهم كيف نتنبأ لذا الأشخاص غير التقنيين أو أصحاب المصلحة غير التقنيين لديهم نظرة عامة قليلة جداً على ما تدور حوله التحليلات لذا بالنسبة لهم ما يتعين علينا القيام به هو أن نفهم أنه إذا قمت بإنشاء نموذج غابة عشوائية أو نموذج تعزيز أو تجميع لذا يتعين علينا أن نجعل صاحب المصلحة يفهم أن ما أفعله هو أنني أجد ارتباطاً بين هذه الأشياء أقوم بتقسيم مجموعات البيانات إلى أجزاء متعددة وهذه هي الأجزاء المهمة وهذه هي الأجزاء غير المهمة أنا أستخدم الأجزاء المهمة لإيجاد الارتباط بين النتيجة وهذا مهم لدينا معلمات بحيث تزداد دقة التنبؤ أو حل مشكلة إلى أقصى حد ممكن حسناً ثم أخيراً بمجرد أن يتم إعداد كل شيء وقمت بالتواصل وقبل صاحب المصلحة حلك فهناك وقت لتوثيقه وصيانته ونشره في الإنتاج لذا ليس الأمر مجرد إنشاء النموذج ونسيانه ولكن إنشاء نظام مستمر في مكانه بحيث على سبيل المثال إذا كنت أتنبأ بالسرطان لذا في كل مرة أكون فيها مستشفى للسرطان وقمت ببناء نظام للكشف عن السرطان لذا في كل مرة أقوم بما أفعله هو أنني أمرر عميلاً عبر حالة استخدام التحليلات المتقدمة هذه قبل الذهاب إلى الطبيب نفسه حتى يحصل الطبيب على تقرير نظام التحليلات قبل إجراء التشخيص مما سيساعد الطبيب كثيراً سنرى ذلك بالتفصيل عندما نتحدث عن حالة استخدام التنبؤ بالسرطان وأخيراً الصيانة بمرور الوقت سنستمر في الحصول على بيانات جديدة في نموذجنا لذا بالتأكيد يتعين علينا الاستمرار في زيادة دقة النموذج لذا الأمر أشبه بأننا بحاجة إلى تغذية مجموعة البيانات الجديدة كبيانات تدريبية والنموذج وإلا فلن يتمكن النموذج من تعلم الاتجاهات والأنماط الجديدة في البيانات لذا إذا احتفظت ببيانات قديمة أو قديمة فسيعطيك النموذج نتيجة خاطئة لأن نمط المريض قد تغير على مر السنين والموضة تغير نمط الرعاية الصحية للمرضى على مر السنين لذا بالتأكيد يتعين علينا الاستمرار في إضافة بيانات جديدة مراراً وتكراراً أو لتنفيذ وتوثيق وصيانة النموذج لذا دعنا نتعمق أكثر في الهندسة المعمارية المستخدمة في صناعة الرعاية الصحية لذا ليس فقط لدينا الخطوات الخمس التي تحدثت عنها ولكن أيضاً يتعين علينا فهم ما هي الأدوات والتقنيات أو التقنيات المختلفة المستخدمة في تلك الخطوات الخمس لذا هذه هندسة معمارية عالية المستوى لحل الرعاية الصحية للتحليلات في مؤسسة لذا ما يحدث هو يتم جمع البيانات بناءً على حالة الاستخدام لذا هذه نظرة شاملة لها إنها نظرة عامة وشاملة للعديد من حالات الاستخدام لذا سواء كانت حالة استخدام للتنبؤ بالسرطان أو حالة استخدام للتنبؤ بالتزام العميل بدواء معين ولكن الأدوات والتقنيات تظل كما هي لذا دعنا نذهب من اليسار إلى اليمين حسناً لذا عندما نرى من اليسار لدينا بيانات من المرضى والأطباء والمستشفيات والآلات لذا كما قلت هؤلاء هم أصحاب المصلحة الأساسيون في توليد واستهلاك البيانات لذا بالتأكيد سيستهلكون البيانات ويولدون البيانات أيضاً لذا يمكن أن تكون هذه البيانات من السحابة يمكن أن تكون مصادر داخلية مثل قواعد البيانات والتطبيقات والملفات يمكن أن تكون أيضاً من مصادر خارجية من قواعد البيانات من أنظمة خارجية من تطبيقات طرف ثالث أو بائع آخر يرسل لنا ملفاً مسطحاً أو ملف CSV لذا ستختلف هذه التنسيقات أو الهيكل للبيانات من مصدر إلى آخر اعتماداً على النمط أو النوع الذي يخزن به المصدر البيانات لذا يجب أن يكون واجهة نظامنا قادرة على التعامل مع جميع أنواع المصادر سواء كانت مصدراً داخلياً أو مصدراً خارجياً أو مصدراً سحابياً حسناً لذا سيساعد هذا بالتأكيد ثم بالانتقال إلى أنواع مصادر أخرى يمكن أن يكون لدينا بيانات غير منظمة قادمة من بعض الآلات وبعض أجهزة الاستشعار وأجهزة إنترنت الأشياء وكلها يمكن أن يكون لدينا بيانات قادمة من وسائل التواصل الاجتماعي مثل فيسبوك ويوتيوب وتويتر ولينكد لين والمدونات وما إلى ذلك حسناً ثم أخيراً يمكن أن يكون لدينا بيانات قادمة من صورهم أيضاً لذا تحتوي بوابات الويب على بيانات غير منظمة في شكل بيانات HTML حسناً ولكن إذا أردنا جعل هذه البيانات أكثر وأكثر على مستوى التجميع لذا يتعين علينا جمع ومعالجة مسبقاً و / أو تحليل البيانات ثم أخيراً استخلاص استنتاجات منها حسناً لذا بالتأكيد هذه هي المصادر التي يجب على جميع المؤسسات حل أي نوع من حالات الاستخدام ثم بالانتقال إلى الأنسجة أو الهندسة المعمارية أو مجموعات الأدوات المستخدمة لذا إذا رأيت لدينا تقارير محمولة وخدمة ذاتية وذكاء أعمال كـ مستهلكين ثم لدينا التعلم الآلي والتحليلات التنبؤية كـ نسيج التحليلات المتقدمة ولدينا من مستودع البيانات السحابي تأتي جميع البيانات إلى نسيج علم البيانات هذا حيث يتم تخزين البيانات في قواعد البيانات ثم يتم أخذ بيانات البيانات الرئيسية يتم إنشاء مستودعات بيانات أنواع مختلفة من قواعد البيانات سواء كان حجم البيانات وتنوعها وسرعتها كبيرة جداً لذا يمكن استخدام تقنيات البيانات الضخمة لتخزينها ومعالجتها ولكن ليس بالضرورة دائماً أن تكون هذه البيانات لذا إذا كانت بيانات عادية يمكننا فقط استخدام مخزن SQL أو مخزن قائم على الملفات حيث نقوم فقط بتخزين البيانات كملف بدلاً من تخزينها في نظام إدارة قواعد بيانات ثم تتم معالجة هذه الملفات باستخدام أدوات مثل R أو Python حيث يتم إجراء توحيد البيانات واكتشاف البيانات وإعدادها وأخيراً يتم تشغيل التحليلات التنبؤية والتعلم الآلي فوقها للحصول على التصور النهائي منها حسناً لذا هذا هو نسيج علم البيانات وجزء التحليلات المتقدمة وجزء إدارة البيانات لذا بالتأكيد إذا رأيت الأجزاء الثلاثة إدارة البيانات تشارك بشكل كبير في عزل البيانات أو افتراضيتها أو اتحادها لذا بالاتحاد نعني أنه حسناً بيانات واحدة في SQL وبيانات واحدة في ملف وبيانات واحدة في نظام آخر ولكن كمستهلك أريد رؤية شاملة لجميع البيانات معاً حسناً لذا هذا يسمى اتحاد البيانات حيث نجمع مصادر متعددة في واجهة مستخدم واحدة ونكون قادرين على توحيد جميع البيانات وعرضها على محلل البيانات لتشغيل تحليلات البيانات فوقها لذا دعنا نبدأ بحالة الاستخدام الرئيسية لليوم هل يمكن للبيانات أن تساعد في علاج السرطان لذا نعلم أن السرطان هو مرض ضخم يؤثر على ملايين الأشخاص كل عام في جميع أنحاء العالم وبالتأكيد يتحسن العلم والتكنولوجيا والطب يوماً بعد يوم للقيام بعمل أفضل في علاج السرطان لأننا لم نسجل بعد في مرحلة حيث نحن خالون تماماً من السرطان بعض الأمراض مثل شلل الأطفال وما إلى ذلك وصلنا إلى مرحلة يمكننا القول أن هذا النوع المحدد من الأمراض قد تم القضاء عليه من المجتمع في العالم ولكن إذا تحدثنا عن السرطان لذا بالتأكيد ليس الأمر أننا وصلنا إلى نقطة يمكننا أن نقول أننا قد قمنا تماماً بفك شفرة كيفية علاج السرطان أو كيفية حل مشاكل السرطان حسناً ولكن بالتأكيد يمكن للبيانات أو تحليلات البيانات أن تساعد في علاج السرطان والكشف المبكر عن السرطان يمكن أن يزيد من معدل البقاء على قيد الحياة وجودة الحياة لمريض السرطان لذا كلما اكتشفت مبكراً نوعاً معيناً من السرطان لمريض ما لذا بالتأكيد سيبقى المريض على قيد الحياة إذا رأيت الجميع يعرف أن هناك مراحل للسرطان مثل المرحلة الأولى حيث يكون الأمر جيداً يمكن علاجه ببعض الأدوية أو العلاج الكيميائي ولكن عندما نتحدث عن مراحل أعلى مثل المرحلة الرابعة وما إلى ذلك فإن حل المشكلة يتناقص مع مرور الوقت لذا إذا رأيت النسبة المئوية للبقاء على قيد الحياة النسبية من المرحلة الأولى إلى المرحلة الرابعة تنخفض تماماً بشكل خطي لذا بالتأكيد كلما تنبأت مبكراً كان ذلك أفضل لذا لذا كيف نحل هذه المشكلة للتنبؤ بالسرطان في أقرب وقت ممكن باستخدام تحليلات البيانات حسناً لذا دعنا نفهم على مستوى عالٍ أولاً لذا أولاً نقيم من هو الأكثر عرضة للإصابة بالسرطان من هو إذا كان هناك مجموعة من المرضى قادمين فمن هم قائمة المرضى الأكثر عرضة للأحداث السلبية على المدى القريب ثم تحديد ما هي المؤثرات أو العوامل القائمة على البيانات التي تؤثر بشكل كبير على مستويات السرطان لذا إذا كان نمط حياة المريض يؤثر أو إذا كان نوع النظام الغذائي يؤثر أو إذا كانت بعض العوامل الخارجية مثل المنطقة التي يعيش فيها الشخص بجوار منطقة صناعية واسعة لذا بالتأكيد يمكن أن يكون ذلك أيضاً مؤثراً أو عاملاً في مستوى حالة السرطان لذا يتعين علينا تحديد المؤثرات والعوامل القائمة على البيانات للقيام بهذا التنبؤ ثم مطابقة الأشخاص لتدخلات مخصصة لذا كيف يمكننا تعديل البرامج لاستهدافها بناءً على مستويات المخاطر المختلفة لذا إذا كان شخص ما في المرحلة الأولى مقابل المرحلة الثانية مقابل المرحلة الثالثة لا يمكننا إعطاء نفس الدواء أو نفس العلاج للجميع لذا بالتأكيد يتعين علينا أن نفهم كمحلل بيانات أنه حسناً لا بأس أننا تنبأنا بالسرطان في أقرب وقت ممكن لذا بناءً على النتائج المذكورة أعلاه يتعين علينا البدء في إرسال تنبيهات لذا بمجرد أن تعرف أن الشخص في المرحلة الأولى أو المرحلة الثانية يمكننا إرسال تنبيهات وإجراءات تصحيحية للأشخاص لذا ما يفعلونه هو أنه هناك فرصة كبيرة إذا لم نرسل تنبيهات أو تدابير علاجية في المرحلة الأولى فإن الشخص لا يظهر الأعراض ويشعر بصحة جيدة جداً بصحته لذا يأخذون الأمر كأمر مسلم به ولا يتناولون الأدوية الموصوفة من قبل الطبيب أو لا يتخذون الاحتياطات والإجراءات اللازمة لعلاج المرض لذا بالتأكيد يمكن أن يساعد الكشف المبكر عن السرطان وهذا هو كيف نحل المشكلة عن طريق فهم من هو المعرض للخطر عن طريق التحقق من المؤثرات لإرسال التدخلات والتنبيهات والعروض والإجراءات التصحيحية للأشخاص حتى نتمكن في النهاية من تقليل معدل الوفيات أو معدل الوفيات من السرطان في العالم حسناً لذا بالتأكيد فهمنا أن البيانات يمكن أن تساعد في علاج السرطان لذا دعنا نذهب بعمق في كيفية مساعدتها حسناً لذا إذا رأيت لقد أنشأت هذه الشريحة لجعلكم تفهمون من خلال حالة استخدام شخصية لذا ماري سيدة تبلغ من العمر 41 عاماً تعاني من آلام مزمنة في الظهر وحالات جلدية غير طبيعية وتم تشخيصها بأن حالات الجلد التي لديها يمكن أن يكون لها خطر محتمل للسرطان لذا ما تفعله هو أنها تذهب إلى الطبيب بأعراض السرطان ثم يصف الطبيب بياناتها الحيوية والرعاية الصحية والاهتمام والأدوية يدخل هذا النظام ويتم إدخاله في نظام تحليل المرضى ويكتشف النظام أن الدواء الذي تم وصفه مقابل جرعة الدواء توقع نظام تحليل المرضى أن لديها المرحلة الرابعة أو المرحلة الثانية من السرطان ثم تحتاج إلى تناول مجموعة أخرى من الأدوية لذا لديها خطر كبير محتمل للإصابة بالسرطان لذا يتعين عليها تغيير دوائها لذا عندما يكتشف النظام أن ماري لا تتواصل مع الطبيب لتغيير الأدوية فإنه يثير إنذار تشغيل أو لزيارة عن طريق إرسال ليس فقط تنبيهات وإنذارات ولكن أيضاً عروض ترويجية وعروض لخلق شعور بالإلحاح للمريض بأنه حسناً يجب عليها في هذه الحالة أن تذهب إلى الطبيب في أقرب وقت ممكن لعلاج سرطان محتمل قد تكون تعاني منه لذا تم اتخاذ تدابير تصحيحية من قبل ماري وذهبت إلى الطبيب ووصف الطبيب الأدوية ذات الصلة لذا بهذه الطريقة الشاملة رأينا كيف تمكنت ماري من علاج سرطانها عن طريق اكتشاف السرطان في مرحلة مبكرة بكثير بدلاً من مجرد زيارة الطبيب مراراً وتكراراً وعدم الحصول على نتائج حسناً لذا هذه هي الطريقة التي تعمل بها دعنا نرى عرضاً توضيحياً مباشراً أو مثالاً حيث نتنبأ بسرطان الثدي لمريض معين لذا البيانات هي شيء مثل أن لدينا 570 حالة لديها تشخيص ما إذا كان سرطان الثدي خبيثاً أم حميداً وما هو متوسط نصف القطر للمسافات من المركز إلى النقطة لذا هذه نتيجة تصوير للسرطان لذا تم إجراء فحص سرطان الثدي وتم أخذ متوسط نسيج متوسط نصف القطر لورم ماري ومتوسط النعومة ومتوسط الضغط في الاعتبار لمعرفة ما إذا كان خبيثاً أم حميداً لذا بالتأكيد السرطان الخبيث يعني أن ماري معرضة لخطر أقل والسرطان الحميد يعني أن ماري معرضة لخطر أعلى للإصابة بالسرطان حسناً لذا كيف يتم ذلك تقنياً لذا بجمع كل هذه 570 حالة أو ست سمات نضع البيانات في رمز معالجة مسبقة باستخدام ويتم تشغيل نموذج رياضي للتنبؤ بتصنيف سرطان ماري بأنه خبيث أو حميد عن طريق تشغيل الانحدار اللوجستي أو مثل غابة عشوائية أو تعزيز أو نموذج تجميع ثم أخيراً يتم تقديم نتيجة التنبؤ لماري حتى تعرف ما هو نوع السرطان الذي تعاني منه حسناً لذا كما نعلم بالفعل أن خطوات المعالجة المسبقة وخطوات النمذجة الأولية تحتوي على كل هذه النقاط حيث نقول إزالة القيم المتطرفة القيم المفقودة ميزة أي اكتشف ما هي العوامل المهمة ما هي المعلمات غير المهمة قم بإنشاء متغير تابع في هذه الحالة المتغير التابع هو التشخيص النتيجة النهائية سواء كان خبيثاً أو حميداً والمتغيرات المستقلة هي الاعتماديات التي يتم على أساسها إجراء التشخيص حسناً متوسط نصف القطر وما إلى ذلك هي متغيرات مستقلة وجميع المتغيرات الأخرى غير مطلوبة لذا يمكننا إسقاطها لذا بذلك يمكننا إجراء المعالجة المسبقة ثم أخيراً على البيانات المعالجة مسبقاً يمكننا تشغيل نموذج تنبؤي على سبيل المثال غابة عشوائية للحصول على النتيجة لذا دعنا نأخذ مثالاً باستخدام بايثون لذا إذا رأيت في أسفل الشاشة هذه هي مجموعة البيانات حيث لدينا معرف التشخيصات m تعني خبيث و B تعني حميد ثم نصف القطر والنسيج وما إلى ذلك حسناً نقوم باستيراد البيانات باستخدام مكتبة بايثون pandas ثم يمكننا استخدام مكتبة أخرى تسمى SK learn أو لاستيراد مدرب SK learn ومصنف ثم لدينا مصنف الغابة العشوائية من حزمة SK learn نقوم باستيراد البيانات من عنوان URL للبيانات نقرأ البيانات وننشئ إطار بيانات منها ثم نقسم البيانات إلى بيانات تدريب واختبار بيانات التدريب هي البيانات التي تستخدم لإنشاء نموذج وبيانات الاختبار هي البيانات التي تستخدم للتحقق من دقة نموذجنا لذا هذا هو السبب في أننا نحصل على كل البيانات التي تم استلامها من صاحب المصلحة يتم تقسيمها إلى 80٪ من بيانات التدريب و 20٪ من بيانات الاختبار ويتم أخذ بيانات التدريب في الاعتبار لإنشاء النموذج لذا إذا رأيت استخدمنا مصنف الغابة العشوائية حيث لدينا 100 مقدر و -1 وظيفة لذا هذه هي المعلمات المختلفة لـ لإنشاء عدد الأشجار لذا يعني عدد المقدرات عدد الأشجار في تقدير الغابة العشوائية حسناً ثم يعني my model.fit أننا نقوم بتثبيت النموذج بناءً على بيانات التدريب كما قلت نمرر X وهي قائمة المتغيرات المستقلة و Y هي بيانات المتغير التابع لذا نمرر كلا البيانات لإنشاء نموذج غابة عشوائية ثم أخيراً نتنبأ بالنتيجة على بيانات الاختبار لذا إذا رأيت هذا الجزء من التعليمات البرمجية السطر الأخير قبل الأخير من التعليمات البرمجية نتنبأ بنتيجة السرطان بأنها خبيثة أو حميدة باستخدام هذه الدالة model.predict وأخيراً يمكننا طباعة درجة الدقة إذا رأيت matrix.accuracy score لذا ما هي الدقة من منظور تقني عدد التنبؤات الصحيحة للحالات الحميدة + عدد التنبؤات الصحيحة للحالات الخبيثة مقسوماً على إجمالي عدد الصفوف في مجموعات البيانات هو الدقة حسناً لذا يمكننا الحصول على الدقة من هذه الدالة وأخيراً دعنا نأتي إلى جزء النشر بعد أن أنشأنا النماذج وتحققنا من الدقة وشرحنا النموذج لصاحب المصلحة يتعين علينا نشر النموذج في الإنتاج لذا يمكن تشغيله والتنبؤ به مراراً وتكراراً لذا يمكننا استخدام على سبيل المثال أي من الخدمات السحابية هنا في هذا المثال أستخدم خدمات التعلم الآلي من Azure حيث آخذ جميع البيانات من SQL أمررها عبر خدمة تسمى ML studio حيث أقوم فقط بتشغيل نفس التعليمات البرمجية مراراً وتكراراً للتنبؤ بالسرطان وأخيراً تذهب نتيجة التعليمات البرمجية إلى موقع ويب إلى الهاتف كتنبيه للمريض والطبيب إلى موقع الويب لإنشاء تقرير عن عدد الأشخاص الذين يعانون من حالات خبيثة أو عدد الأشخاص الذين يعانون من حالات حميدة وأخيراً ربما يمكن إجراء بعض التقارير المستندة إلى Excel للقيادة حسناً لذا يمكن القيام بكل هذا باستخدام خدمات ML لذا إذا رأيت إذا قمت بالمرور عبر التعليمات البرمجية فإن خدمات Azure لديها services.publish حيث نأخذ معرف العمل ورمز مساحة العمل يمكننا تقديم هذه يمكننا تمرير بيانات مختلفة من متوسطات النسيج هذه هي المتغيرات المستقلة التي تأتي من المرضى الجدد الذين يدخلون النظام مثل ماري يمكن أن يكون هناك أشخاص آخرون يدخلون النظام لذا لكل شخص يتعين علينا التنبؤ بما هي إمكانية إصابته بالسرطان حسناً لذا يمكنهم تمرير معلماتهم الخاصة هنا وأخيراً يمكننا تشغيل هذا المتنبئ حيث نقوم بنمذجة.predict ونمرر مجموعات البيانات هذه وستساعد عناوين URL للخدمة ومفاتيح API في الاتصال وتقديم النتائج لذا إذا رأيت breast cancer predictor.service نقوم بتمرير هذه النتيجة ونحصل على نتيجة M أو B منها حسناً لذا لهذا المحدد لنفترض أن هذه هي العلامات الحيوية أو هذه هي قراءات ماري لذا إذا كانت ماري تعاني من سرطان حميد لذا يمكنها معرفة ذلك عن طريق تمرير المعلمات وستحصل على النتيجة فوراً حسناً لذا هذا هو تقرير الدقة الذي كنت أتحدث عنه في الشريحة السابقة لذا إذا رأيت هذه هي نتيجة التصنيف بأنني لدي دقة 75٪ مما أتنبأ به لذا الأمر أشبه بأن تحليلات البيانات تعتمد دائماً على الدقة على المنطقة لذا ليس دائماً أننا قادرون على التنبؤ بنسبة 100٪ بشكل صحيح لذا بالتأكيد هناك مستوى دقة لذا يتعين علينا توصيل ذلك لأصحاب المصلحة للحصول على أننا بحاجة إلى تشغيل matrix.accuracy score أو للحصول على الدقة منها وبالتأكيد سيساعد هذا في الحصول على نتيجة السرطان حسناً لذا نعم أعتقد نعم هذا ما أردت أن أظهره لكم لذا فهمنا كيف يتم التنبؤ بالسرطان وكيف يتم اتخاذ التدابير لعلاج السرطان حسناً لذا فهمنا أيضاً ما هي الرعاية الصحية وما هي تحليلات الرعاية الصحية الصناعية وما هي حالات الاستخدام المختلفة المختلفة قمنا بالمرور بالعديد من حالات الاستخدام وقمنا بالتنفيذ وأخيراً قمنا بالمرور بحالة استخدام التنبؤ بالسرطان باستخدام التحليلات المتقدمة باستخدام بيئة بايثون و Azure حسناً لذا دعنا نبدأ بالإجابة على أسئلتك يمكننا البدء في طرح الأسئلة لذا دعني أقرأ الأسئلة وأطلب منك الإجابات نعم يمكنني رؤية السؤال الآن لذا الحمض النووي فريد للأفراد لذا هل نجمع البيانات ونقوم بتحليلها لذا نعم الحمض النووي فريد للأفراد لذا بالتأكيد نستخدم بيانات الحمض النووي للأفراد كما قلت الأفراد مقابل العائلة لذا ما هو الحمض النووي لفرد معين وما هو الحمض النووي للعائلة وكيف يؤثر الحمض النووي المحدد على سبب المرض بشكل منفصل يعاني منه الشخص حسناً السؤال التالي لذا هل من الضروري معرفة المصطلحات والتكنولوجيا الصحية لتحليلات البيانات بالتأكيد لا يا فيناي لذا ليس من الضروري أن تحتاج دائماً إلى معرفة المصطلحات الصحية لأن تحليلات البيانات عبر الصناعات لذا لا يهم أننا نتحدث اليوم عن الرعاية الصحية ولكن إذا كنت في صناعة أخرى ترى السيارات أو النفط والغاز أو التأمين وما إلى ذلك لذا في جميع الصناعات أو في جميع الصناعات تقريباً لدينا تطبيقات رئيسية لتحليلات البيانات لذا بالتأكيد المعرفة بصناعة واحدة ليست مطلوبة حسناً حسناً السؤال التالي لـ Esau يسأل ما هي بعض الموارد التي يمكن أن تساعد في البدء السريع والتحليلات العميقة لذا بالتأكيد يمكننا استشارة المستشارين هنا في ماتيسون يمكنهم مساعدتك في الحصول على الموارد ومساعدتك في دورة في تحليلات البيانات يمكنك البدء بها والموارد عبر الإنترنت متاحة جداً للحصول على فهم لها حول ما هي المواضيع المختلفة بالتفصيل حتى تفهم ما هي الموارد المختلفة ما هي المواضيع المختلفة في تحليلات البيانات حسناً السؤال التالي هل يمكنك من فضلك شرح التعلم الآلي في الرعاية الصحية أو هل تكفي تحليلات بايثون لذا نعم عندما تقوم لذا R أو Python لذا إذا كان السؤال حول ما إذا كان سيتم اختيار R أو Python لذا كلا الأداتين جيدتان جداً وشائعتان في السوق والمتطلب في الصناعة لكلتا الأداتين مع الأخذ في الاعتبار أن بايثون هي لغة برمجة ليست مخصصة فقط لتحليلات البيانات ولكن لمجموعة واسعة من التطبيقات مثل تطوير الويب الكامل وتطوير الواجهة الخلفية وتطوير الواجهة الأمامية ولكن R هي لغة تركز خصيصاً على معالجة وتحليل البيانات ولكن مع الأخذ في الاعتبار أن المتطلب في الصناعة هو كلتا الأداتين يمكنك اختيار أي من الأدوات للبدء السؤال التالي من سادنا هو أليست النمذجة الرياضية والمحاكاة متاحة بدون علم البيانات لذا علم البيانات هو مصطلح مظلة كبير حيث النمذجة الرياضية والمحاكاة هي أيضاً جزء منه لذا ليس فقط التنبؤ أو الخوارزميات التنبؤية مثل التصنيف والانحدار والتجميع مدرجة ولكن أيضاً النمذجة الرياضية للمحاكاة والتحسينات مدرجة أيضاً في مجال علم البيانات حسناً السؤال التالي أين يمكنني العثور على مجموعات بيانات الرعاية الصحية مثل تلك المستخدمة أعلاه للموارد هذا السؤال لذا بالتأكيد يمكن العثور عليها في مواقع ويب مختلفة مفتوحة المصدر لذا إذا قمت بالبحث فقط على الإنترنت عن بيانات السرطان حسناً لذا فقط ابحث على الإنترنت عن بيانات السرطان للتنبؤ لذا ستحصل على الكثير من مصادر البيانات لنفس مصدر البيانات الذي استخدمته حسناً لذا من السهل جداً العثور عليه إذا كنت تريد الرابط يمكنني مشاركته معك أيضاً السؤال التالي من بليز بريث هل يمكنك من فضلك توضيح تدفق جزء الهندسة المعمارية بمثال لذا أعتقد أنني شرحت ذلك دعني أقرأه بإيجاز لذا إذا رأيت الهندسة المعمارية تبدأ بجمع جميع البيانات ويمكن القيام بذلك باستخدام أدوات مختلفة مثل SQL أو R نفسها والحصول على البيانات واستكشافها يتم باستخدام R ثم R أو Python ثم نمذجة البيانات بالتأكيد أنت في بايثون ثم لدينا تفسير وتوصيل هذا
أكثر من عروض تقديمية من PowerPoint وعروض PP ووثائق بأجور قليلة، لذا يمكنك كتابة مستند Microsoft Word أو إنشاء عرض تقديمي Microsoft PowerPoint لتوصيل رؤيتك، وأخيرًا يمكنك استخدام بيئة سحابية مثل Azure أو AWS لتنفيذ النموذج ونشره في الإنتاج. حسنًا، أنا طبيب، ما هو المسار الوظيفي؟ لذلك سألت هذا السؤال، لذلك بالنسبة لـ نعم، لقد رأيت الكثير من الأشخاص يغيرون مساراتهم المهنية من خلفيات غير تقنية إلى تحليل البيانات، لذلك بالتأكيد لا يعني ذلك أنه إذا كنت طبيبًا لا يمكنك الذهاب إلى جزء تحليل البيانات، بالتأكيد كما رأيت أن هناك مجموعة واسعة من التطبيقات في صناعة الرعاية الصحية، لذا يمكنك اختيار أي تطبيق واحد والارتباط بمستشفى في قسم التحليلات الخاص بهم، لذا فإن كل مستشفى لديه قسم تقني، لذا يمكنك التواصل مع أحد الأقسام التقنية في المستشفى، ومن خلال اكتساب مجموعات المهارات، يمكنك الذهاب إليهم وتقول لهم، مرحبًا، يمكنني حل المشكلة باستخدام مهاراتي في تحليل البيانات، لذا بالتأكيد المسار الوظيفي موجود ويمكن أن ينتقل من الانضمام كمتخصص في تحليل البيانات إلى المدير التنفيذي للتكنولوجيا في شركة، لذلك لأن معظم الشركات تدور حاليًا حول البيانات لأن البيانات هي النفط الجديد، أليس كذلك؟ لذا السؤال التالي، هل يمكن اعتبار الجغرافيا للتحليل لمدينة أو بلد أو صناعة معينة؟ بالتأكيد، يمكننا النظر في الجغرافيا أو أنماط ديموغرافية أخرى أو التركيز على مريض معين أو عميل لأن هذا قد يكون سببًا لنتيجة معينة لمشكلة، أليس كذلك؟ لذا بالتأكيد هذه هي المتغيرات التي تعتمد على النتيجة، لذا علينا أن نأخذها في الاعتبار بالتأكيد. حسنًا، نعم، لذا سأل رافي كومار أنك أظهرت هذا النموذج المستخدم كغابة عشوائية والتي لديها دقة 75٪، كيف يمكننا تحديد النموذج ونسبة الدقة؟ سؤال جيد يا رافي، لذلك لهذا السؤال يمكنني القول أنني استخدمت نموذجًا أو اثنين فقط لعرض كيفية القيام بذلك، ولكن بالتأكيد في سيناريوهات العالم الحقيقي، لا يتم استخدام الغابة العشوائية فقط، بل يتم استخدام الانحدار اللوجستي ونماذج التعبئة ونماذج GPM ونماذج التعزيز ونماذج XT PM، ومجموعة واسعة من الشبكات العصبية وغيرها من التعلم الآلي المتقدم يمكن استخدامها لفهم ما إذا كان يمكننا الحصول على دقة أفضل، لذا فإن هذه الغابة العشوائية المحددة على سبيل المثال كانت لأغراض التعلم، ولكن بالتأكيد يمكن أن تكون هناك خوارزميات أفضل يمكن أن تعطي دقة أعلى، لذا كلما زادت الدقة، كان النموذج أفضل، لذا بالتأكيد يمكنك كما تعلم، الدقة هي عدد التنبؤات الصحيحة مقسومًا على العدد الإجمالي لمجموعات البيانات، نقاط البيانات التي لدينا، لذا بناءً على ذلك، يمكننا تحديد النموذج الذي يجب اختياره، لذا نعم، انظر، تحليل البيانات هو خيار جيد للمسوقين الرقميين، بالتأكيد نعم، نظرًا لوجود الكثير من تطبيقات علم البيانات في التسويق الرقمي أيضًا، لذا إذا رأيت هذه الإشارات المرجعية أو إعلانات Google، فإن كل الخلفية، الواجهة الخلفية تعتمد على تحليل البيانات لفهم كيفية استهداف العميل، وما هو جمهوري المحتمل، وما هو شعور جمهوري أو جمهور منتج معين، لذا بالتأكيد تحليل البيانات هو بالتأكيد ميزة إضافية لمسوق رقمي. حسنًا، السؤال التالي، ليس لدي خلفية في البرمجة، في أي اتجاه معين يجب أن أخطط للانتقال في صناعة تحليل البيانات؟ بالتأكيد يا شان، يمكنك اختيار أدوات مثل R أو Python، لا، هناك بعض الأدوات التي تعمل بالنقر المتاحة في السوق اليوم، حتى لو لم تكن لديك خبرة كاملة في البرمجة، فهذا لا يعني أنه لا يمكنك دخول هذا المجال، يمكنك بالتأكيد تجربة يديك، وبالتأكيد ليس من الصعب جدًا أو موضوعًا لتعلمه بالكامل، ماذا عن نطاق تحليل البيانات كخريج؟ أعتقد أنه تم الرد عليه بالفعل، لذا أعتقد أننا قلنا ذلك بالفعل، لذا السؤال التالي، سأل بوشكار عما تعتقد أنني يجب أن أركز عليه للحصول على وظيفة في صناعة الرعاية الصحية، بصفتي مطور ويب، لا يعني ذلك أنك تنضم إلى صناعة الرعاية الصحية إذا كنت تقرأ تحليل البيانات، كما قلت، يمكن تطبيق تحليل البيانات عبر الصناعات، لذا يمكنك اختيار صناعة من اختيارك، ولكن نعم، كمطور ويب، يمكنك تغيير مسارك المهني إلى تحليل البيانات في أي صناعة من اختيارك أو خبرتك، شكرًا لك.