您可能已经听说，我们目前正在为所有正在使用 Caché 和 Ensemble 的客户提供限时免费迁移到我们的下一代数据平台 InterSystems IRIS 的机会。

虽然我们依旧如往常一样全力支持那些正在使用 Caché 数据库和 Ensemble 集成引擎的客户，但我们还是认为 InterSystems IRIS 是未来的关键。它结合了 Caché 和 Ensemble 的所有功能，并添加了大量令人兴奋的强大功能，从机器学习到原生 Python。

这也正是我们为现有客户提供迁移到 InterSystems IRIS 并使用这些新功能的原因。 我们也通过就地迁移支持轻松迁移，这意味着无需数据库转换、分步迁移指南、教程等。

听起来挺有趣对吗？ 以下是我针对当前 Caché 和 Ensemble 应迁移到 InterSystems IRIS 的五个主要原因。

预测平台入场服务器配置

平台服务器入场配置预测应用，以java连接iris并使用其IntegratedML技术完成对医院门诊量，服务数，消息数，消息保存时间等数据分析，可以在医院集成平台入场前，对医院入场平台所需的服务器配置进行预测，为客户提供便利。

痴呆症是一个重大的全球性问题，困扰着5400万人，到2050年这个数字将上升到1.3亿。由英国剑桥大学的学者创立的Cognetivity Neurosciences公司设计了一个尖端的解决方案，以帮助缓解全球痴呆症的流行。

根植于先进神经科学的简单解决方案

在出现临床症状之前的早期检测，为专家干预和改变生活方式打开了大门，可以减缓痴呆症的发展，提高生活质量。生活方式的改变有可能将症状的出现推迟五年，进而将普通人群中的痴呆症发病率降低50%。

Cognetivity Neurosciences的综合认知评估测试（ICA）是基于人类对动物刺激的强烈反应，以及健康的大脑在不到200毫秒内处理动物图像的能力。

ICA将基于云的人工智能和神经科学的进展结合起来，进行快速的动物/非动物视觉分类测试，目的是在记忆症状出现之前发现疾病的迹象。它涉及在阿尔茨海默症的前症状阶段受到影响的大脑区域，并检测出信息处理速度的细微损伤。

ICA基于云的敏捷性使临床医生和用户能够在熟悉的硬件上进行ICA测试，如iPad和智能手机，并在任何有互联网连接的地方进行。

目前，机器学习的使用过程仍然有些困难，需要消耗大量的数据科学家服务。 AutoML 技术的诞生便是为了帮助组织降低这种复杂性和对专业 ML 人员的依赖。

AutoML 允许用户指向一个数据集，选择感兴趣的主题（特征）并设置影响主题的变量（标签）。 接着，用户告知模型名称，然后基于机器学习创建预测或数据分类模型。

这不需要了解认知算法，因为 AutoML 会在内部执行市面上的主要算法，并指出预测或分类数据的最佳算法。

用户现在可以从经过训练的模型中指向新数据，轻松进行预测和分类。

新的 InterSystems IRIS Advanced Analytics 除了与非常著名的 H2O 或 DataRobot（作为附加选项）搭配使用之外，还具有 AutoML 引擎 IntegratedML。

AutoML 运算通过 SQL 命令执行，详见：https://docs.intersystems.com/irislatest/csp/docbook/Doc.View.cls?KEY=GIML

糖尿病可以从医学界熟知的一些参数中发现。这样，为了帮助医学界和计算机软件系统，特别是人工智能软件，美国国家糖尿病和消化道及肾脏疾病研究所发布了一个非常有用的数据集，用于训练糖尿病检测/预测的机器学习算法。这份出版物可以在最大和最知名的ML数据库Kaggle上找到，网址是https://www.kaggle.com/datasets/mathchi/diabetes-data-set。

该糖尿病数据集有以下元数据信息（来源：https://www.kaggle.com/datasets/mathchi/diabetes-data-set）：

数据分集 （测试数据可以在网上下载 https://catalog.data.gov/dataset/）

1. 创建训练集，80%用于训练集。

CREATE TABLE DataMining.DiabetesTraining AS SELECT top 641 Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin,BMI, Age, Outcome from DataMining.DSTable order by ID

2. 创建测试集，20%用于测试集。

关键字：IRIS, IntegratedML, 机器学习, Covid-19, Kaggle

目的

最近，我注意到一个用于预测 Covid-19 患者是否将转入 ICU 的 Kaggle 数据集。 它是一个包含 1925 条病患记录的电子表格，其中有 231 列生命体征和观察结果，最后一列“ICU”为 1（表示是）或 0（表示否）。 任务是根据已知数据预测患者是否将转入 ICU。

这个数据集看起来是所谓的“传统 ML”任务的一个好例子。数据看上去数量合适，质量也相对合适。它可能更适合在 IntegratedML 演示套件上直接应用，那么，基于普通 ML 管道与可能的 IntegratedML 方法进行快速测试，最简单的方法是什么？

你是否尝试过InterSystems IRIS IntegratedML学习平台？在这个平台中，你可以在再入院数据集上训练和测试一个模型，并能够预测一个病人何时会再入院，或计算其再入院的概率。

你不需要在你的系统上进行任何安装就可以尝试，你所要做的就是启动一个虚拟实验室环境（Zeppelin），然后玩一玩!

在这篇文章中，我们将利用这个实验室向你简要介绍IntegratedML，向你介绍要处理的问题，如何使用IntegratedML来创建一个再入院预测模型，以及如何分析其性能指标的一些见解。

什么是IntegratedML？