آموزش یادگیری ماشین برای کاربردهای مراقبت‌های بهداشتی و پزشکی - آخرین آپدیت

دانلود Machine Learning for Healthcare Applications

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: پایه‌های یادگیری ماشین را برای نیازهای حوزه سلامت بنا کنید! بیاموزید چگونه داده‌های پیچیده بالینی را به مدل‌هایی تبدیل کنید که منجر به پشتیبانی از تصمیم‌گیری، هشدار زودهنگام، کمک به تشخیص و بینش‌های درمانی شخصی‌سازی شده شوند. این دوره شما را به مهارت‌های کاربردی یادگیری ماشین برای تحلیل‌های دنیای واقعی در حوزه بهداشت و درمان مجهز می‌کند. شما تکنیک‌های مدل‌سازی نظارت شده (Supervised)، نظارت نشده (Unsupervised) و مدل‌های زمانی را که با واقعیت‌های داده‌های بهداشتی و موارد استفاده بالینی مطابقت دارند، به کار خواهید گرفت. یاد می‌گیرید که مسائل پیش‌بینی بالینی را تعریف کنید، ویژگی‌ها را از داده‌های ساختاریافته و زمانی استخراج نمایید و مدل‌های طبقه‌بندی و رگرسیون را برای محیط‌های درمانی توسعه دهید. همچنین با استفاده از خوشه‌بندی و کاهش ابعاد، زیرگروه‌های بیماران را شناسایی کرده و الگوهای جمعیت‌های بیمار را تفسیر خواهید کرد. در طول این دوره، تمرکز شما بر قابلیت تفسیر، استحکام و معیارهای ارزیابی مناسب برای حوزه سلامت خواهد بود که با ریسک‌های بالینی و ایمنی بیمار مرتبط هستند. در آزمایشگاه‌های عملی، یک طبقه‌بندی‌کننده ریسک پذیرش مجدد بیمار می‌سازید، بیماران را برای شناسایی فنوتیپ‌ها خوشه‌بندی می‌کنید، جمعیت‌ها را با کاهش ابعاد بصری‌سازی کرده، ویژگی‌های زمانی را برای مدل هشدار زودهنگام مهندسی می‌کنید و مدل‌ها را با استفاده از ROC، PR، کالیبراسیون و تحلیل سودمندی مبتنی بر آستانه مقایسه می‌نمایید.

سرفصل ها و درس ها

یادگیری نظارت شده برای پیش‌بینی‌های بالینی Supervised Learning for Clinical Prediction

  • معرفی دوره Course Introduction

  • مرور کلی تخصص Specialization Overview

  • تبدیل سوالات بالینی به وظایف مدل‌سازی پیش‌بینانه Turning Clinical Questions into Predictive Modeling Tasks

  • نشت هدف و تله‌های داده‌ای در مدل‌سازی بهداشتی Target Leakage and Data Pitfalls in Healthcare Modeling

  • رگرسیون لجستیک برای تخمین ریسک بالینی Logistic Regression for Clinical Risk Estimation

  • مدل‌های مبتنی بر درخت برای الگوهای غیرخطی در داده‌های EHR Tree-Based Models for Nonlinear Patterns in EHR Data

  • مدل‌های رگرسیون برای نتایج بالینی پیوسته Regression Models for Continuous Clinical Outcomes

  • مدیریت نتایج نامتوازن و رویدادهای نادر Handling Imbalanced and Rare Event Outcomes

یادگیری نظارت نشده و فنوتیپینگ بیماران Unsupervised Learning and Patient Phenotyping

  • استفاده از الگوریتم‌های خوشه‌بندی در زمینه‌های بالینی Use of Clustering Algorithms in Clinical Contexts

  • کاهش ابعاد برای اکتشاف داده‌های بالینی Dimensionality Reduction for Clinical Data Exploration

  • یادگیری نمایش برای داده‌های پیچیده بالینی Representation Learning for Complex Clinical Data

  • ارزیابی کیفیت، پایداری و استحکام خوشه‌ها Evaluating Cluster Quality, Stability, and Robustness

مدل‌سازی سری‌های زمانی و ارزیابی مدل Time Series Modeling and Model Evaluation

  • کار با سری‌های زمانی بالینی نامنظم Working with Irregular Clinical Time Series

  • رویکردهای کلاسیک پیش‌بینی در مراقبت‌های بهداشتی Classical Forecasting Approaches in Healthcare

  • ارزیابی مدل‌ها با منحنی‌های ROC و PR Evaluating Models with ROC and PR Curves

  • کالیبراسیون، تعیین آستانه و سودمندی بالینی Calibration, Thresholding, and Clinical Utility

پروژه نهایی، امتحان و جمع‌بندی Final Project, Exam, and Wrap-Up

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش یادگیری ماشین برای کاربردهای مراقبت‌های بهداشتی و پزشکی
جزییات دوره
7h 41m
17
(آخرین آپدیت)
269
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

SkillUp SkillUp