لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات