Cancer Detection

Introducción

Este tutorial te ayudará a construir un modelo de machine learning usando Catalyst QuickML, que analiza y predice el cáncer de mama. Te proporcionaremos conjuntos de datos médicos de ejemplo que pueden usarse como fuentes de datos para el modelo.

En este tutorial, primero preprocesaremos los conjuntos de datos para asegurar que los datos estén limpios y listos para el entrenamiento. A continuación, construiremos un pipeline de datos para manejar la transformación de datos y un pipeline de ML para entrenar y evaluar el modelo. Finalmente, crearemos un endpoint para el modelo entrenado, que permite a las aplicaciones externas interactuar con el modelo y recibir predicciones en tiempo real para el cáncer de mama.

El modelo de ML Cancer Detection está construido usando el siguiente servicio de Catalyst:

Catalyst QuickML : Usando este servicio, primero preprocesaremos el conjunto de datos de ejemplo implementando operaciones de nodos sobre ellos y construyendo el pipeline de datos. Estos datos preprocesados se usarán para crear un modelo de ML ejecutando algoritmos de ML. Finalmente, el modelo de ML Cancer Detection puede ser accedido por aplicaciones externas usando la URL del endpoint generada en QuickML.

La salida final después de crear todos los pipelines de datos y ML requeridos en la consola de Catalyst se verá así: