MARC

 008260126s2023        us                              c    eng  d
■001000017360546
■00520260202105545
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263395049
■035    ▼a(MiAaPQ)AAI32315511
■035    ▼a(MiAaPQ)GeorgiaTech73079
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a614.4
■1001  ▼aCastillo,  Alexander  D.  Rodriguez.
■24510▼aArtificial  Intelligence  for  Data-Centric  Surveillance  and  Forecasting  of  Epidemics
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a206  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Prakash,  B.  Aditya.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aSurveillance  and  forecasting  of  epidemics  are  crucial  tools  for  decision  making  and  planning  of  government  officials,  businesses,  and  the  general  public.  In  many  respects,  our  understanding  of  how  epidemics  spread  is  still  at  its  infancy,  despite  multiple  advances  in  understanding  how  diseases  spread  in  the  population.  Many  of  the  major  challenges  stem  from  other  complex  dynamics,  such  as  mobility  patterns,  policy  compliance,  and  even  shifts  in  data  collection  procedures.  As  a  result  of  efforts  to  collect  and  process  data  from  novel  sources,  granular  data  are  becoming  increasingly  available  on  many  of  these  variables.  These  datasets,  however,  are  difficult  to  exploit  using  traditional  methodologies  from  mathematical  epidemiology  and  agent-based  modeling.  Alternatively,  AI  methods  in  epidemiology  are  challenged  by  data  sparsity,  distributional  changes,  and  disparities  in  data  quality.  AI  also  lacks  understanding  of  epidemic  dynamics,  which  may  lead  to  unrealistic  predictions.  Several  frameworks  are  proposed  in  this  dissertation  to  address  these  challenges  and  move  toward  more  data-centric  methods.  Specifically,  we  utilize  multiple  examples  to  showcase  that  bringing  the  data-driven  expressibility  of  AI  into  epidemiology  leads  to  more  sensitive  and  precise  surveillance  and  forecasting  of  epidemics.
■590    ▼aSchool  code:  0078.
■650  4▼aHealth  surveillance
■650  4▼aForecasting
■650  4▼aEpidemiology
■650  4▼aDisease
■650  4▼aDecision  making
■650  4▼aPandemics
■650  4▼aEpidemics
■650  4▼aInfluenza
■650  4▼aCOVID-19
■690    ▼a0800
■690    ▼a0766
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360546▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서