• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2022/2023

Алгоритмы машинного обучения в медицинской информатике

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс по выбору (Бизнес-информатика)
Направление: 38.04.05. Бизнес-информатика
Когда читается: 2-й курс, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Бизнес-информатика
Язык: русский
Кредиты: 6
Контактные часы: 28

Программа дисциплины

Аннотация

В курсе представлены практические решения для работы с медицинскими данными: от извлечения данных, очистки и нормализации до проектирования признаков. Курс постороен на конкретных примерах применения алгоритмов машинного обучения. Из курса вы узнаете, как современные технологии позволяют агрегировать данные из отдельных источников, улучшая возможности аналитики данных в здравоохранении. В этом курсе вы научитесь: • Работать с различными типами медицинских данных: электронными медицинскими картами, лабораторными данными, данными клинических исследований. • Решать типичные проблемы при работе с медицинскими данными, в частности , при агрегировании данных из нескольких источников. • Узнаете как извлекать структурированные данные из медициских текстовых записей. Дисциплина предназначена для студентов траектории E-health 2 курса магистратуры образовательной программы Бизнес-информатика (ВШЭ Нижний Новгород). Также приглашаем присоединиться к программе всех заинтересованных студентов магистратуры любого кампуса НИУ ВШЭ!
Цель освоения дисциплины

Цель освоения дисциплины

  • Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем и без учителя для задач связанных с медицинской информатикой. А также формирование навыков применения алгоритмов машинного обучения на практике, например при решении задачи сегментации (выделение полипов), обработке речевых сигналов (определение деменции по голосу), применение нейронных сетей для диагностики злокачественных опухолей и других задачах в областях медицинской информатики.
Планируемые результаты обучения

Планируемые результаты обучения

  • Уметь применять алгоритмы кластеризации на практике
  • уметь применять на практике нейронные сети для решения задач в области медицины (определять есть ли у пациента опухоль)
  • уметь применять основные принципы NLP на практике, знать основные принципы архитектуры Transformer
  • уметь работать с речевыми сигналами и анализировать их
  • уметь на практике применять алгоритмы сегментации
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Задача кластеризации
  • Анализ болезней по речевому сигналу
  • Нейронные сети
  • Задача обработки естественного языка (Natural Language Processing, NLP)
  • Задача сегментации
Элементы контроля

Элементы контроля

  • неблокирующий Лабораторные работы
  • неблокирующий Защита проекта
    Найти современную статью по одной из тем (сегментация, классификация, анализ текста, анализ речевых сигналов) с доступным кодом (например на githab). Запустить код из статьи, уметь объяснять результаты.
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 2 модуль
    0.4 * Защита проекта + 0.6 * Лабораторные работы
Список литературы

Список литературы

Рекомендуемая основная литература

  • Sebastian Raschka, & Vahid Mirjalili. (2019). Python Machine Learning : Machine Learning and Deep Learning with Python, Scikit-learn, and TensorFlow 2, 3rd Edition. Packt Publishing.
  • Siddhartha Bhattacharyya, Vaclav Snasel, Aboul Ella Hassanien, Satadal Saha, & B. K. Tripathy. (2020). Deep Learning : Research and Applications. De Gruyter.
  • Uday Kamath, John Liu, & James Whitaker. (2019). Deep Learning for NLP and Speech Recognition. Springer.

Рекомендуемая дополнительная литература

  • Alexander, D. (2020). Neural Networks: History and Applications. Nova.