本系列以「肝癌資料視覺化與 AI 預測」為主題,帶領讀者完成一個從零開始的資料科學專案。內容包含環境建置、資料清理、視覺化與模型訓練,最後在 Grafana 平台整合呈現。過程中將利用 Docker 安裝 Grafana,並以 Python Pandas 處理肝癌資料,輸出乾淨的 CSV 檔。接著透過 Grafana CSV Plugin 建立互動式儀表板,展示資料特徵與統計結果。同時會示範如何使用 Scikit-learn 建立 AI 預測模型,並將結果回饋至 Grafana。透過這 30 天的實作,讀者將學會如何結合資料科學與視覺化工具,打造可應用於醫療與決策的 AI 平台。
1.建立30天病人數據到cancer-dashboard/patient.log裡,範例: 2025-08-01 patient_id=001 AFP=120...
1. 修改 patient.log繼續沿用昨天的log,這次我們要同時取AFP與ALT: 2025-08-01 patient_id=001 AFP=120 A...
1. 更新 patient.log把 log 擴充為多病人、多指標: 2025-08-01 patient_id=001 AFP=120 ALT=30 2025...
1. 準備資料延續昨天的 patient.log,我們有兩個病人,兩個指標: 2025-08-01 patient_id=001 AFP=120 ALT=30...
1. 定義條件警示我們模擬臨床場景,設定以下規則:AFP > 400 → 高風險警示(可能腫瘤惡化)ALT > 70 → 肝功能異常警示 2.在 G...
1. Grafana 通知架構在 Grafana 裡,警示分成三個步驟:(1) Contact Point → 定義要通知的管道(Email、Slack、Web...
修改 docker-compose.yml 加入 PostgreSQL在 cancer-dashboard/docker-compose.yml 裡新增一個服...
1. 修改資料庫結構進入 PostgreSQL: docker exec -it cancer-postgres psql -U admin -d cancer...
1. 安裝 Python 套件在專案資料夾 (cancer-dashboard) 建立一個新檔: pip install psycopg2 pandas num...
1. 什麼是自動化排程? 當資料或 AI 模型需要「定期更新」時,我們不希望手動執行,而是交給系統自動跑。常見方式包括:● cron job(Linux / m...