پیش‌بینی بیماری قلبی با یادگیری ماشین (Python)

این پروژه شامل تحلیل داده‌های پزشکی و ساخت مدل یادگیری ماشین برای پیش‌بینی احتمال ابتلا به بیماری قلبی می‌باشد. دیتاست استفاده شده UCI Heart Disease Dataset (دیتاست استاندارد و معتبر جهانی) است. مراحل انجام شده: تحلیل اکتشافی داده‌ها (EDA) و بررسی توزیع ویژگی‌ها، پیش‌پردازش داده‌ها (پاکسازی، نرمال‌سازی، مدیریت مقادیر)، ساخت و ارزیابی چندین مدل یادگیری ماشین، مصورسازی نتایج با نمودارهای مختلف. بهترین نتیجه: مدل Random Forest با دقت ۸۸٪. ابزارها و کتابخانه‌ها: Pandas و NumPy برای پردازش داده، Scikit-learn برای ساخت مدل‌های ML، Matplotlib و Seaborn برای مصورسازی. دستاوردها: شناسایی مهم‌ترین عوامل خطرزای بیماری قلبی، ایجاد یک مدل قابل اعتماد برای کمک به تشخیص زودهنگام.
چالش اصلی، پیش‌پردازش صحیح داده‌ها و انتخاب ویژگی‌های مؤثر برای افزایش دقت مدل بود. پس از تست الگوریتم‌های مختلف، مدل Random Forest با دقت ۸۸٪ بهترین عملکرد را نشان داد. این پروژه پتانسیل استفاده در سیستم‌های کمکی تشخیص پزشکی را دارد.