Çevrimiçi kurs – Google’ın derin öğrenmesini kullanarak bilinçli klinik kararlar alma konusunda sertifikalı profesyonel uzmanlık.

Derin öğrenmeyi elektronik sağlık kayıtlarına nasıl uygulayacağınızı öğrenin. Klinik veritabanlarındaki veri madenciliğinden klinik karar destek sistemlerine giden yolu keşfedin.

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
Çevrimiçi kurs - Google'ın derin öğrenmesini kullanarak bilinçli klinik kararlar alma konusunda sertifikalı profesyonel uzmanlık.

Professional Certificate

Orta seviye

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Klinik veritabanlarından veri madenciliği
  • Elektronik tıbbi kayıtlarda derin öğrenme
  • Sağlık uygulamaları için açıklanabilir derin öğrenme modelleri
  • Klinik karar destek sistemleri
  • EHR ön işleme
  • Derin öğrenme modelleri oluşturma
  • Modellerin genel açıklamaları
  • Modellerin yerel açıklamaları

What you will learn in the course

Courses for which the course is suitable

  • Klinik verileri analiz eder
  • Derin öğrenme modelleri geliştirir
  • Sağlık alanında yazılım mühendisi
  • Klinik karar destek sistemlerinde uzman
  • Sağlıkta yapay zeka alanında araştırmacı
  • Tıbbi bilgi sistemleri analisti
  • Tıbbi algoritmaların geliştiricisi
  • Tıbbi veri madenciliği uzmanı
  • Sağlık sistemlerine yönelik teknolojik çözümler geliştirir
  • Tıbbi tahmin analisti

Staj – 5 dersten oluşan bir seri

Bu uzmanlık, modellerini klinik karar destek sistemlerine nasıl dönüştüreceklerine vurgu yaparak, derin öğrenmeyi elektronik tıbbi kayıtlara uygulama becerilerini geliştirmek isteyen, programlama deneyimi olan öğrencilere yöneliktir.

Ana konular

  • Klinik veri tabanlarından veri madenciliği: etik, MIMIC III veri tabanı, Uluslararası Hastalık Sınıflandırması ve ortak klinik sonuçların tanımı.
  • Elektronik tıbbi kayıtlarda derin öğrenme: tanımlayıcı analizlerden tahmine dayalı analizlere.
  • Sağlık uygulamaları için açıklanabilir derin öğrenme modelleri: bunlar nelerdir ve neden ihtiyaç duyulur?
  • Klinik karar destek sistemleri: genelleme, bilgi yanlılığı, ‘adalet’, klinik fayda ve yapay zeka algoritmalarının gizliliği.

Pratik bir öğrenme projesi

Öğrenciler, MIMIC-III’den elde edilen ve aşağıdaki kaynaklardan elde edilen bilgileri içeren veri kümelerine dayalı bir alıştırma seçme ve gerçekleştirme fırsatına sahiptir:

  • MIMIC veritabanını sorgulamak için klinik veritabanlarından bilgi madenciliği.
  • EHR ön işlemesi ve derin öğrenme modelleri oluşturmak için elektronik tıbbi kayıtlarda derin öğrenme.
  • Modellerin kararını açıklamak için derin öğrenme modelleri sağlığa açıklanabilir.

Aralarından seçim yapabileceğiniz seçenekler

  • Kritik bakım için MIMIC veritabanındaki değişimdeki özelliğin önemi: hem lojistik regresyona hem de LSTM modellemeye uygulanan teknik. Ortaya çıkan açıklamalar modelin genel açıklamalarıdır.
  • Kritik bakım için MIMIC veritabanındaki LIME: teknik hem lojistik regresyona hem de LSTM modellemeye uygulanır. Ortaya çıkan açıklamalar modelin yerel açıklamalarıdır.
  • Kritik bakım için MIMIC veritabanındaki Grad-CAM: GradCam, mortaliteyi tahmin eden bir LSTM modeline uygulandı. Ortaya çıkan açıklamalar modelin yerel açıklamalarıdır.

Details of the courses that make up the specialization

Klinik veri tabanlarından veri madenciliği – CDSS 1

Kurs 1
20 saat
4,8 (13 değerlendirme)

ne öğreneceksin

  • Kamuya Açık EHR Veri Havuzlarının Şemasını Anlayın (MIMIC-III)
  • Uluslararası Hastalık Sınıflandırmasının (ICD) kullanımına aşina olun
  • Klinik veritabanlarından teorik istatistikleri çıkarın ve görselleştirin
  • Ölüm oranı ve kalış süresi gibi temel klinik sonuçları anlayın ve çıkarın

kazanacağınız beceriler

  • Klinik veri tabanlarından veri madenciliği
  • Elektronik tıbbi kayıtlar
  • Teorik istatistikler
  • Elektronik tıbbi kayıtlarda etik
  • Hastalıkların Uluslararası Sınıflandırılması

Elektronik tıbbi kayıtlarda derin öğrenme – CDSS 2

Kurs 2
31 saat

ne öğreneceksin

  • Sınıflandırma için çok katmanlı ön işlemci, evrişimli sinir ağları ve tekrarlayan sinir ağları gibi derin öğrenme mimarilerini eğitin
  • Farklı makine öğrenimi algoritmalarını doğrulayın ve karşılaştırın
  • Elektronik sağlık kayıtlarını dağıtın ve bunları zaman serisi verileri olarak gösterin
  • Veri çıkarma ve kodlama stratejileri

kazanacağınız beceriler

  • Küresel ve yerel açıklamalar
  • Açıklanabilir makine öğrenimi modelleri
  • Dikkat mekanizmaları
  • Yoruma karşı açıklama
  • Nötr modeller ve özel modeller

Sağlık alanında derin öğrenmeye yönelik açıklanabilir modeller – CDSS 3

Kurs 3
30 saat
4,6 (15 derecelendirme)

ne öğreneceksin

  • Zaman serisi sınıflandırma kategorilerinde küresel açıklayıcı metodolojileri kodlayın
  • CAM ve GRAD-CAM gibi derin öğrenme için yerel açıklayıcı metodolojileri kodlayın
  • Derin öğrenme ağları için kanıtlayıcı yöntemleri anlamak
  • Tekrarlayan sinir ağlarında dikkati birleştirmek ve dikkat ağırlıklarını görselleştirmek

kazanacağınız beceriler

  • Tekrarlayan sinir ağı
  • Evrişimsel sinir ağı
  • Veri kodlama ve otomatik kodlayıcılar
  • EHR işlemi ve çıkarma
  • Derin öğrenme ve doğrulama

Klinik karar destek sistemleri – CDSS 4

Kurs 4
8 saat

ne öğreneceksin

  • Klinik karar destek sistemlerinin değerlendirilmesi
  • Makine öğrenimi modellerinde bozulma, kalibrasyon ve adalet
  • Karar eğrisi analizi ve hedef kitle merkezli klinik destek sistemleri
  • Klinik karar destek sistemlerinde gizlilik sorunları

kazanacağınız beceriler

  • Klinik destek sistemlerinde gizlilik sorunları
  • Makine öğrenimi modellerinde çarpıtma ve adalet
  • Makine öğrenimi modellerinde kalibrasyon
  • Klinik destek sistemleri
  • Hedef kitle merkezli klinik destek sistemleri

Çatı görevi – CDSS 5

Kurs 5
2 saat

ne öğreneceksin

Bu kurs staj boyunca öğrendiğiniz bilgi ve becerileri uygulamanızı gerektiren önemli bir görevdir. Bu kursta alanlardan birini seçecek ve geçmeniz gereken görevi tamamlayacaksınız.

İlgili ürünler