Generated from prompt:
Présentation PowerPoint sur la documentation d'entraînement des modèles d'apprentissage automatique – GeneGuard (10 Décembre 2025) **Titre** : GeneGuard – Système de Prédiction de Maladies **Objectif** : Présenter les modèles de machine learning utilisés, leurs performances et les recommandations d’amélioration. --- **Diapositive 1 – Titre** Titre : GeneGuard : Système de Prédiction de Maladies Sous-titre : Documentation d’Entraînement – 10 Décembre 2025 --- **Diapositive 2 – Contexte du projet** - Application : GeneGuard - Objectif : Prédire des maladies à partir de données patient - Technologie : Intelligence Artificielle (IA) et Machine Learning --- **Diapositive 3 – Modèle de Prédiction Générale de Maladies** - Données : DiseaseAndSymptoms.csv, Disease precaution.csv - Algorithme : Random Forest Classifier - Nombre de maladies : 41 - Précision : 100% - Fichier : symptom_model.pkl --- **Diapositive 4 – Modèle de Prédiction du Diabète** - Données : diabetes.csv - 8 caractéristiques principales (glucose, âge, pression artérielle, etc.) - Algorithme : Random Forest / Logistic Regression - Précision estimée : ~85% - Fichier : diabetes_model.pkl --- **Diapositive 5 – Modèle de Prédiction d’AVC (Accident Vasculaire Cérébral)** - Données : stroke.csv - 10 caractéristiques (âge, sexe, glucose, etc.) - Algorithme : Random Forest Classifier - Précision : ~73% - Fichier : stroke_model.pkl --- **Diapositive 6 – Modèle de Prédiction de Maladies Cardiovasculaires** - Données : cardio_train.csv (70,000 patients) - 12 caractéristiques clés : âge, pression, cholestérol, BMI, etc. - Algorithme : Random Forest Classifier - Précision : 72.80% - Fichier : cardio_model.pkl --- **Diapositive 7 – Résumé des Modèles** | Modèle | Algorithme | Précision | |---------|-------------|------------| | Prédiction Générale | Random Forest | 100% | | Diabète | Random Forest | ~85% | | AVC | Random Forest | ~73% | | Cardiovasculaire | Random Forest | 72.8% | --- **Diapositive 8 – Recommandations d’Amélioration** 1. Collecte de plus de données 2. Test d’autres algorithmes (XGBoost, Neural Networks) 3. Optimisation des hyperparamètres (GridSearchCV) 4. Validation croisée K-Fold 5. Feature engineering avancé --- **Diapositive 9 – Dépendances Requises** - Python 3.x - pandas, numpy, scikit-learn, joblib - Commande d’installation : `pip install pandas numpy scikit-learn joblib` --- **Diapositive 10 – Conclusion** - GeneGuard démontre le potentiel du Machine Learning en santé - Des améliorations peuvent encore renforcer la précision - Prochaine étape : intégration dans une application de diagnostic intelligent
Overview of GeneGuard's ML models (Random Forest) for predicting general diseases (100% acc), diabetes (~85%), stroke (~73%), and cardio (72.8%) diseases. Includes datasets, summary table, improvement
This title slide features "GeneGuard: Système de Prédiction de Maladies" as the main text. The subtitle reads "Documentation d’Entraînement – 10 Décembre 2025," indicating training documentation dated December 10, 2025.
Documentation d’Entraînement – 10 Décembre 2025
Source: Documentation d’Entraînement – 10 Décembre 2025
The slide "Contexte du projet" introduces the GeneGuard application. It aims to predict diseases using patient data via AI and Machine Learning technologies.
The slide describes a General Disease Prediction Model using data from DiseaseAndSymptoms.csv and Disease precaution.csv, trained with a Random Forest Classifier. It predicts 41 diseases at 100% accuracy and is saved as symptommodel.pkl.
Source: Présentation PowerPoint sur la documentation d'entraînement des modèles d'apprentissage automatique – GeneGuard (10 Décembre 2025)
This slide describes a diabetes prediction model trained on the diabetes.csv dataset using 8 key features like glucose, age, and blood pressure. It compares Random Forest and Logistic Regression algorithms, achieving ~85% accuracy, with the model saved as diabetesmodel.pkl.
Source: diabetes.csv
The slide describes a Stroke Prediction Model trained on stroke.csv data with 10 features like age, sex, and glucose. It uses a Random Forest Classifier with ~73% accuracy, saved as strokemodel.pkl.
Source: stroke.csv
This slide describes a Cardiovascular Disease Prediction Model trained on cardiotrain.csv data from 70,000 patients using 12 features like age, blood pressure, cholesterol, and BMI. It uses a Random Forest Classifier with 72.80% accuracy, saved as cardiomodel.pkl.
The slide "Résumé des Modèles" summarizes four predictive models in a table, all using the Random Forest algorithm. Accuracies are 100% for general prediction, ~85% for diabetes, ~73% for stroke, and 72.8% for cardiovascular disease.
{ "headers": [ "Modèle", "Algorithme", "Précision" ], "rows": [ [ "Prédiction Générale", "Random Forest", "100%" ], [ "Diabète", "Random Forest", "~85%" ], [ "AVC", "Random Forest", "~73%" ], [ "Cardiovasculaire", "Random Forest", "72.8%" ] ] }
Source: GeneGuard – Système de Prédiction de Maladies
The slide "Recommandations d’Amélioration" outlines key improvements for a machine learning model. It recommends collecting more data, testing algorithms like XGBoost and Neural Networks, optimizing hyperparameters via GridSearchCV, implementing K-Fold cross-validation, and applying advanced feature engineering.
Source: Présentation PowerPoint GeneGuard – 10 Décembre 2025
The slide "Dépendances Requises" specifies that Python 3.x is required. It lists the dependencies pandas, numpy, scikit-learn, and joblib, with installation via pip install pandas numpy scikit-learn joblib.
Source: Présentation PowerPoint sur la documentation d'entraînement des modèles d'apprentissage automatique – GeneGuard (10 Décembre 2025)
GeneGuard demonstrates the potential of Machine Learning in healthcare, with planned improvements to boost precision. The next step is integration into an intelligent diagnostic app, followed by thanks and an invitation for questions.
- GeneGuard démontre le potentiel du Machine Learning en santé
Merci pour votre attention ! Questions ?
Source: Présentation PowerPoint – GeneGuard (10 Décembre 2025)
Explore thousands of AI-generated presentations for inspiration
Generate professional presentations in seconds with Karaf's AI. Customize this presentation or start from scratch.