آموزش مبانی یادگیری ماشین برای مراقبت‌های بهداشتی و سلامت - آخرین آپدیت

چرا یادگیری ماشین در مراقبت‌های بهداشتی؟ Why machine learning in healthcare?

• چرا یادگیری ماشین در مراقبت‌های بهداشتی؟ Why machine learning in healthcare?

• تاریخچه هوش مصنوعی در پزشکی History of AI in Medicine

• مرور کلی دوره Course Overview

• چرا حوزه سلامت به یادگیری ماشین نیاز دارد Why Healthcare Needs Machine Learning

• جادوی یادگیری ماشین Machine Learning Magic

• یادگیری ماشین، زیست‌آمار و برنامه‌نویسی Machine Learning, Biostatistics, Programming

• آیا یادگیری ماشین می‌تواند همه مشکلات را حل کند؟ Can Machine Learning Solve Everything?

مفاهیم و اصول یادگیری ماشین در سلامت - بخش اول Concepts and Principles of machine learning in healthcare part 1

• اصطلاحات، تعاریف و واژگان تخصصی یادگیری ماشین - بخش اول Machine Learning Terms, Definitions, and Jargon Part 1

• اصطلاحات، تعاریف و واژگان تخصصی یادگیری ماشین - بخش دوم Machine Learning Terms, Definitions, and Jargon Part 2

• ماشین‌ها چگونه یاد می‌گیرند - بخش اول How Machines Learn Part 1

• ماشین‌ها چگونه یاد می‌گیرند - بخش دوم How Machines Learn Part 2

• رویکردهای یادگیری ماشین نظارت شده: رگرسیون و قضیه «ناهار رایگان نیست» Supervised Machine Learning Approaches: Regression and the "No Free Lunch" Theorem

• سایر رویکردهای سنتی یادگیری ماشین نظارت شده Other Traditional Supervised Machine Learning Approaches

• ماشین بردار پشتیبان (SVM) Support Vector Machine (SVM)

• یادگیری ماشین بدون نظارت Unsupervised Machine Learning

مفاهیم و اصول یادگیری ماشین در سلامت - بخش دوم Concepts and Principles of machine learning in healthcare part 2

• مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Introduction to Deep Learning and Neural Networks

• یادگیری عمیق و شبکه‌های عصبی Deep Learning and Neural Networks

• تلفات انتروپی متقاطع (Cross Entropy Loss) Cross Entropy Loss

• گرادیان کاهشی (Gradient Descent) Gradient Descent

• نمایش داده‌های بدون ساختار تصویر و متن Representing Unstructured Image and Text Data

• شبکه‌های عصبی پیچشی (CNN) Convolutional Neural Networks

• پردازش زبان طبیعی و شبکه‌های عصبی بازگشتی (RNN) Natural Language Processing and Recurrent Neural Networks

• معماری ترنسفورمر برای توالی‌ها The Transformer Architecture for Sequences

• معماری‌های رایج و پیشرفته شبکه‌های عصبی Commonly Used and Advanced Neural Network Architectures

• وظایف پیشرفته بینایی ماشین و جمع‌بندی Advanced Computer Vision Tasks and Wrap-Up

ارزیابی و معیارهای یادگیری ماشین در مراقبت‌های بهداشتی Evaluation and Metrics for machine learning in healthcare

• مقدمه‌ای بر ارزیابی عملکرد مدل Introduction to Model Performance Evaluation

• بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) Overfitting and Underfitting

• استراتژی‌های مقابله با بیش‌برازش و کم‌برازش و مقدمه‌ای بر منظم‌سازی Strategies to Address Overfitting, Underfitting and Introduction to Regularization

• رویکردهای آماری برای ارزیابی مدل Statistical Approaches to Model Evaluation

• منحنی‌های ROC و Precision-Recall به عنوان معیارهای ارزیابی Receiver Operator and Precision Recall Curves as Evaluation Metrics

استراتژی‌ها و چالش‌های یادگیری ماشین در سلامت Strategies and Challenges in Machine Learning in Healthcare

• مقدمه‌ای بر چالش‌های رایج یادگیری ماشین بالینی Introduction to Common Clinical Machine Learning Challenges

• کاربرد پیش‌بینی‌های مدل‌های علی Utility of Causative Model Predictions

• بافت و زمینه در یادگیری ماشین بالینی Context in Clinical Machine Learning

• تفسیرپذیری ذاتی Intrinsic Interpretability

• چالش‌های داده‌های پزشکی در یادگیری ماشین - بخش اول Medical Data Challenges in Machine Learning Part 1

• چالش‌های داده‌های پزشکی در یادگیری ماشین - بخش دوم Medical Data Challenges in Machine Learning Part 2

• به چه مقدار داده نیاز داریم؟ How Much Data Do We Need?

• داده‌های گذشته‌نگر در پزشکی و «عمر مفید» داده‌ها Retrospective Data in Medicine and "Shelf Life" for Data

• داده‌های پزشکی: کیفیت در برابر کمیت Medical Data: Quality vs Quantity

بهترین روش‌ها، تیم‌ها و شروع مسیر یادگیری ماشین Best practices, teams, and launching your machine learning journey

• کارایی بالینی و جفت‌سازی خروجی-اقدام Clinical Utility and Output Action Pairing

• اتخاذ اقدام با استفاده از چارچوب OAP Taking Action - Utilizing the OAP Framework

• ساخت تیم‌های چندتخصصی برای یادگیری ماشین بالینی Building Multidiciplinary Teams for Clinical Machine Learning

• حکمرانی، اخلاق و بهترین روش‌ها Governance, Ethics, and Best Practices

• انسان بودن در عصر یادگیری ماشین بالینی On Being Human in the Era of Clinical Machine Learning

• خطرات اتکای بیش از حد به اتوماسیون (Automation Bias) Death by GPS and Other Lessons of Automation Bias

مدل‌های پایه (محتوای اختیاری) Foundation models (Optional Content)

• مقدمه‌ای بر مدل‌های پایه Introduction to Foundation Models

• تطبیق با فناوری Adapting to Technology

• هوش مصنوعی عمومی و رفتارهای نوظهور General AI and Emergent Behavior

• مدل‌های پایه چگونه کار می‌کنند How Foundation Models Work

• موارد استفاده در سلامت برای داده‌های متنی Healthcare Use Cases for Text Data

• موارد استفاده در سلامت برای داده‌های بدون ساختار غیرمتنی Healthcare Use Cases for Non-textual Unstructured Data

• چالش‌ها و pitfalls (دام‌ها) Challenges and Pitfalls

• جمع‌بندی Conclusion

جمع‌بندی دوره Course Conclusion

• مرور نهایی و خداحافظی Wrap Up and Goodbyes