PROGRAMA SIMPLE QUE CALCULE EL INDICE DE CARIES DENTAL

                                 

                                   DIPLOMADO EN EN INTELIGENCIA ARTIFICIAL

                                                                   MODULO IV

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

                        Ortega Irusta Elsy Nilda

                         Este es el enlace con Chat GPT:

 

PROGRAMA SIMPLE QUE CALCULA EL INDICE DE CARIES DENTAL

Ejemplo paso a paso utilizando los componentes del pensamiento computacional para desarrollar un programa simple relacionado con odontología en Python. Vamos a abordar tanto la programación tradicional como el aprendizaje automático.

 1. PROGRAMACIÓN TRADICIONAL:

Paso 1: Definir el problema

Supongamos que queremos desarrollar un programa simple que calcule el índice de caries dental basado en ciertos factores.

Paso 2: Descomposición

Identifiquemos los sub problemas:

- Recopilar información del paciente (entrada).

- Aplicar reglas para calcular el índice de caries (proceso).

- Mostrar el resultado (salida).

Paso 3: Patrón de entrada + reglas + salida python

# Paso 4: Implementación

def calcular_indice_caries(edad, cepillado_diario, consumo_azucar):

    # Reglas simples (solo como ejemplo, no representan reglas reales)

    indice_caries = 0

   

    if edad < 18:

        indice_caries += 2

   

    if cepillado_diario == 'no':

        indice_caries += 3

   

    if consumo_azucar > 3:

        indice_caries += 4

   

    return indice_caries

# Paso 5: Entrada de datos

edad_paciente = int(input("Ingrese la edad del paciente: "))

cepillado_diario_paciente = input("¿Cepilla sus dientes diariamente? (si/no): ").lower()

consumo_azucar_paciente = int(input("Ingrese el consumo diario de azúcar (cucharaditas): "))

# Paso 6: Proceso

resultado_caries = calcular_indice_caries(edad_paciente, cepillado_diario_paciente, consumo_azucar_paciente)

# Paso 7: Salida

print(f"El índice de caries del paciente es: {resultado_caries}")

 Paso 4: Implementación

Este es un ejemplo muy simple que utiliza reglas condicionales para calcular un índice de caries dental basado en la edad, la frecuencia de cepillado y el consumo de azúcar.

2. APRENDIZAJE AUTOMÁTICO:

Paso 1: Definir el problema

Ahora, supongamos que queremos predecir la probabilidad de caries dental basándonos en un conjunto de datos de pacientes.

Paso 2: Descomposición

- Preparar datos de entrada y salida.

- Dividir los datos en conjuntos de entrenamiento y prueba.

- Entrenar un modelo de aprendizaje automático.

- Evaluar el modelo.

- Hacer predicciones.

Paso 3: Patrón de entradas + salidas + reglas

 # Paso 4: Implementación

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score

# Supongamos que tenemos un conjunto de datos con características (edad, cepillado_diario, consumo_azucar) y etiquetas (caries o no)

# Aquí, solo proporciono un ejemplo simple sin datos reales.

# Paso 5: Preparar datos

# X son las características, y es la etiqueta

X = datos[['edad', 'cepillado_diario', 'consumo_azucar']]

y = datos['caries']

# Dividir los datos en conjuntos de entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Paso 6: Entrenar el modelo

modelo = RandomForestClassifier()

modelo.fit(X_train, y_train)

# Paso 7: Evaluar el modelo

y_pred = modelo.predict(X_test)

precision = accuracy_score(y_test, y_pred)

print(f"Precisión del modelo: {precision}")

# Paso 8: Hacer predicciones para nuevos datos

nuevos_datos = [[20, 'si', 2]]

prediccion_nueva = modelo.predict(nuevos_datos)

print(f"Predicción para nuevos datos: {prediccion_nueva}")

Paso 4: Implementación 

Este es un ejemplo simplificado utilizando un clasificador de bosques aleatorios para predecir la presencia de caries dental basándonos en datos de entrenamiento.

Recuerda que estos son ejemplos simples y que en situaciones reales, los conjuntos de datos y las reglas serían mucho más complejos.

PROGRAMA SIMPLE RELACIONADO CON ODONTOLOGÍA EN PYTHON.

Aplica paso a paso los componentes del pensamiento computacional para desarrollar ejemplos con Python 1. Programación tradicional: entrada + reglas → salida 2. Aprendizaje automático: entradas + salidas → reglas

Ejemplo paso a paso utilizando los componentes del pensamiento computacional para desarrollar un programa simple relacionado con odontología en Python. Vamos a abordar tanto la programación tradicional como el aprendizaje automático.

1. PROGRAMACIÓN TRADICIONAL:

Paso 1: Definir el problema

Supongamos que queremos desarrollar un programa simple que calcule el índice de caries dental basado en ciertos factores.

Paso 2: Descomposición

Identifiquemos los sub problemas:

- Recopilar información del paciente (entrada).

- Aplicar reglas para calcular el índice de caries (proceso).

- Mostrar el resultado (salida).

Paso 3: Patrón de entrada + reglas + salida python

 Paso 4: Implementación

Este es un ejemplo muy simple que utiliza reglas condicionales para calcular un índice de caries dental basado en la edad, la frecuencia de cepillado y el consumo de azúcar.

2. APRENDIZAJE AUTOMÁTICO:

Paso 1: Definir el problema

Ahora, supongamos que queremos predecir la probabilidad de caries dental basándonos en un conjunto de datos de pacientes.

Paso 2: Descomposición

- Preparar datos de entrada y salida.

- Dividir los datos en conjuntos de entrenamiento y prueba.

- Entrenar un modelo de aprendizaje automático.

- Evaluar el modelo.

- Hacer predicciones.

Paso 3: Patrón de entradas + salidas + reglas

 python

Paso 4: Implementación

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score

Supongamos que tenemos un conjunto de datos con características (edad, cepillado diario, consumo azúcar) y etiquetas (caries o no)

Aquí, solo proporciono un ejemplo simple sin datos reales.

Paso 5: Preparar datos

X son las características, y es la etiqueta

X = datos [['edad', 'cepillado diario', 'consumo azúcar']]

y = datos ['caries']

Dividir los datos en conjuntos de entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Paso 6: Entrenar el modelo

modelo = RandomForestClassifier()

modelo.fit(X_train, y_train)

Paso 7: Evaluar el modelo

y_pred = modelo.predict(X_test)

precision = accuracy_score(y_test, y_pred)

print(f"Precisión del modelo: {precision}")

 

Paso 8: Hacer predicciones para nuevos datos

nuevos_datos = [[20, 'si', 2]]

prediccion_nueva = modelo.predict(nuevos_datos)

print(f"Predicción para nuevos datos: {prediccion_nueva}")

Este es un ejemplo simplificado utilizando un clasificador de bosques aleatorios para predecir la presencia de caries dental basándonos en datos de entrenamiento.

Recuerda que estos son ejemplos simples y que en situaciones reales, los conjuntos de datos y las reglas serían mucho más complejos.

PROGRAMA SIMPLE RELACIONADO CON ODONTOLOGÍA EN PYTHON.

Aplica paso a paso los componentes del pensamiento computacional para desarrollar ejemplos con Python 1. Programación tradicional: entrada + reglas → salida 2. Aprendizaje automático: entradas + salidas → reglas

Ejemplo paso a paso utilizando los componentes del pensamiento computacional para desarrollar un programa simple relacionado con odontología en Python. Vamos a abordar tanto la programación tradicional como el aprendizaje automático.

 1. PROGRAMACIÓN TRADICIONAL:

Paso 1: Definir el problema

Supongamos que queremos desarrollar un programa simple que calcule el índice de caries dental basado en ciertos factores.

Paso 2: Descomposición

Identifiquemos los sub problemas:

- Recopilar información del paciente (entrada).

- Aplicar reglas para calcular el índice de caries (proceso).

- Mostrar el resultado (salida).

Paso 3: Patrón de entrada + reglas + salida python

 Paso 4: Implementación

 Este es un ejemplo muy simple que utiliza reglas condicionales para calcular un índice de caries dental basado en la edad, la frecuencia de cepillado y el consumo de azúcar.

2. APRENDIZAJE AUTOMÁTICO:

Paso 1: Definir el problema

Ahora, supongamos que queremos predecir la probabilidad de caries dental basándonos en un conjunto de datos de pacientes.

Paso 2: Descomposición

- Preparar datos de entrada y salida.

- Dividir los datos en conjuntos de entrenamiento y prueba.

- Entrenar un modelo de aprendizaje automático.

- Evaluar el modelo.

- Hacer predicciones.

Paso 3: Patrón de entradas + salidas + reglas

 

```python

Paso 4: Implementación

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score

Supongamos que tenemos un conjunto de datos con características (edad, cepillado diario, consumo azúcar) y etiquetas (caries o no)

Aquí, solo proporciono un ejemplo simple sin datos reales.

Paso 5: Preparar datos

X son las características, y es la etiqueta

X = datos [['edad', 'cepillado diario', 'consumo azúcar']]

y = datos ['caries']

Dividir los datos en conjuntos de entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Paso 6: Entrenar el modelo

modelo = RandomForestClassifier()

modelo.fit(X_train, y_train)

Paso 7: Evaluar el modelo

y_pred = modelo.predict(X_test)

precision = accuracy_score(y_test, y_pred)

print(f"Precisión del modelo: {precision}")

 

Paso 8: Hacer predicciones para nuevos datos

def calcular_indice_caries(edad, cepillado_diario):

    # Puntaje inicial

    puntaje = 0

   

    # Evaluar la edad

    if 3 <= edad <= 10:

        puntaje += 2  # Puedes ajustar este valor según las recomendaciones médicas

       

        # Evaluar la frecuencia de cepillado

        if cepillado_diario.lower() == 'si':

            puntaje -= 1  # Reducir el puntaje si cepillado diario

           

    else:

        print("La edad ingresada no está en el rango permitido (3 a 10 años).")

        return None

   

    return puntaje

# Entrada de datos ficticios

datos_ninos = [

    {"nombre": "Ana", "edad": 5, "cepillado_diario": "si"},

    {"nombre": "Carlos", "edad": 8, "cepillado_diario": "no"},

    {"nombre": "Luisa", "edad": 11, "cepillado_diario": "si"}

]

# Calcular el índice de caries dental para cada niño

for nino in datos_ninos:

    indice_caries = calcular_indice_caries(nino["edad"], nino["cepillado_diario"])

   

    if indice_caries is not None:

        # Mostrar resultados

        print(f"El índice de caries dental de {nino['nombre']} es: {indice_caries}") 

 Este es un ejemplo simplificado utilizando un clasificador de bosques aleatorios para predecir la presencia de caries dental basándonos en datos de entrenamiento

Recuerda que estos son ejemplos simples y que en situaciones reales, los conjuntos de datos y las reglas serían mucho más complejos.

Conclusiones y reflexiones: El aprendizaje automático con Python y asistentes inteligentes me permitió realizar un programa simple que calcule el índice de caries dental  en odontología utilizando los componentes del pensamiento computacional  abordando tanto la programación tradicional como el aprendizaje automático. Usamos datos ficticios que no están fuera de la realidad.