# Exemple d'ús de la IA per a la detecció de càncer de pulmó en imatges de raigs X
import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
import numpy as np

# Carregar el model preentrenat
model = load_model('model_cancer_pulmo.h5')

# Carregar i preprocessar la imatge
img_path = 'raig_x_pulmo.jpg'
img = image.load_img(img_path, target_size=(224, 224))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)

# Predicció
predicció = model.predict(img_array)
print(f'Probabilitat de càncer de pulmó: {predicció[0][0]*100:.2f}%')

# Exemple d'algoritme de detecció d'obstacles per a vehicles autònoms
import cv2

# Carregar el model de detecció d'objectes
net = cv2.dnn.readNet('yolov3.weights', 'yolov3.cfg')
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# Carregar la imatge de la càmera del vehicle
img = cv2.imread('carretera.jpg')
height, width, channels = img.shape

# Preprocessar la imatge
blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)
outs = net.forward(output_layers)

# Processar les deteccions
for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        if confidence > 0.5:
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)
            cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# Exemple d'algoritme de detecció de fraus en transaccions financeres
from sklearn.ensemble import IsolationForest
import pandas as pd

# Carregar les dades de transaccions
data = pd.read_csv('transaccions.csv')

# Entrenar el model de detecció de fraus
model = IsolationForest(contamination=0.01)
model.fit(data)

# Predir fraus
prediccions = model.predict(data)
data['fraud'] = prediccions

# Mostrar les transaccions sospitoses
transaccions_sospitoses = data[data['fraud'] == -1]
print(transaccions_sospitoses)

# Exemple de chatbot senzill utilitzant NLTK
from nltk.chat.util import Chat, reflections

pares = [
    (r'Hola(.*)', ['Hola, com et puc ajudar avui?']),
    (r'Com et dius?', ['Em dic Chatbot.']),
    (r'Què pots fer?', ['Puc respondre a les teves preguntes i ajudar-te amb informació bàsica.']),
    (r'Adéu', ['Adéu! Que tinguis un bon dia!'])
]

chatbot = Chat(pares, reflections)
chatbot.converse()

# Exemple de sistema de recomanació utilitzant un model de filtratge col·laboratiu
from surprise import Dataset, Reader, SVD
from surprise.model_selection import train_test_split

# Carregar les dades de valoracions
data = Dataset.load_builtin('ml-100k')
trainset, testset = train_test_split(data, test_size=0.25)

# Entrenar el model de recomanació
model = SVD()
model.fit(trainset)

# Predir valoracions per a un usuari
user_id = '196'
item_id = '302'
predicció = model.predict(user_id, item_id)
print(f'Predicció de valoració per a l\'usuari {user_id} i l\'ítem {item_id}: {predicció.est:.2f}')