Machine Learning für die Medizin

Montags 18.00 - 19.45 Uhr // Lerne wie man Machine Learning-Verfahren im Bereich der Medizin selber umsetzen kann

ANMELDEFRIST ABGELAUFEN

Für diesen Kurs kann man keine Teilnahmenbescheinigung erhalten.

Bei ausreichender Teilnahme und Erbringung eines der angebotenen Leistungsnachweise kannst Du ein Leistungszertifikat erwerben.

Kursinformation

KURSBESCHREIBUNG

Unsere Kurse sind offen für alle und kostenlos für Studierende, Schüler:innen, Auszubildende, Gründer:innen, wissenschaftliche Mitarbeiter:innen, Arbeitssuchende, Geflüchtete und Rentner:innen. Für Angestellte und Selbstständige fällt bei Erwerb eines Leistungszertifikats eine Gebühr in Höhe von 200 Euro an. Über stipendium@opencampus.sh können Angestellte und Selbständige ein Stipendium beantragen.

The course will be in German language!

Was Du bekommst

Dieser Kurs basiert auf der Coursera-Spezialisierung "AI for Medicine" (in Englisch) von deeplearning.ai. Im Rahmen des Kurses wirst Du lernen, wie man Machine-Learning-Modelle zur Klassifizierung und Segmentierung von Bildern mit erstellt, um damit Lungen- und Hirnerkrankungen zu diagnostizieren, wie Risiko- und Überlebensschätzungen mit Hilfe von Random Forests durchführt oder wie man Natural Language Processing einsetzt, um Information aus radiologischen Berichten zu extrahieren.

Alle benötigte Software und Online-Kursinhalte sind kostenlos. Als Deutschlands erster Coursera for Campus-Partner bietet opencampus.sh Dir insbesondere den vollen Zugang zur Online-Lernplattform von Coursera. Dieser Kurs ist Teil des opencampus.sh Machine Learning Degree. Teilnehmende des Programms für den Machine Learning Degree erhalten bevorzugten Zugang zu diesem Kurs. Mehr Informationen zum opencampus.sh Machine Learning Degree findest Du hier.

Was Du mitbringen solltest

Du verfügst bereits über Programmierkenntnisse und bist daran interessiert, praktische Kenntnisse im Trainieren und Anwenden von Machine-Learning-Algorithmen für den Bereich der Medizin zu erwerben.

Während der Woche wird von Dir erwartet, dass Du die zugewiesenen Online-Kursinhalte durcharbeitest, wofür Du mindestens 5 Stunden pro Woche zusätzlich einplanen solltest. In der zweiten Hälfte des Kurses solltest Du insbesondere genügend Zeit für die Implementierung des Machine-Learning-Projekts einplanen.

Um ein Leistungszertifikat (oder ECTS) für diesen Kurs zu erhalten, wird eine aktive Teilnahme erwartet, es dürfen nicht mehr als zwei Kurstermine versäumt werden und es muss ein Praxisprojekt in einem Team von zwei bis vier Personen durchgeführt werden. Am Ende des Kurses ist das Projekt zu präsentieren und ein gut dokumentierter Source Code des Projektes abzugeben.

ALLGEMEINE INFOS

Kursname:
Machine Learning für die Medizin
Format:
Online
ECTS:
5.0
Semester:
Wintersemester 2021/2022
Anmeldefrist:
24.10.2021
Start:
25.10.2021
Ende:
17.01.2022
Zeiten:
18:00 - 19:45 Uhr

Kursleitung

Name:
Nicolai Krekiehn
E-Mail:
nicolai.krekiehn@googlemail.com
Telefon:
0431/90894380
Start: 25.10.2021
Ende: 17.01.2022
* Vorstellungsrunde * Organisatorisches * Motivation

Henrik Horst

Learning Objectives: * Data pre-processing: checking for data leakage * Preprocess images properly for the train, validation and test sets * Implement a weighted loss function to address class imbalance. * Set up a pre-trained neural network to make disease predictions on chest x-rays.

Nicolai Krekiehn

Learning Objectives * Calculate true positives, true negatives, false positives, false negatives. * Calculate sensitivity and specificity * Calculate Positive Predictive Value (PPV) and Negative Predictive Value (NPV). * Understand confidence intervals, ROC curve, and F1 score.

Nicolai Krekiehn

Learning Objectives * Perform image segmentation on 3D MRI data. * Take random sub-samples from a 3D image. * Standardize an input image. * Apply a pre-trained U-Net model. * Implement a proper loss function for model training (soft dice loss). * Evaluate model performance by calculating sensitivity and specificity.

Nicolai Krekiehn

Learning Objectives * Build a linear prognostic model. * Evaluate the prognostic model by calculating the concordance index. * Improve the prognostic model by adding feature interactions.

Nicolai Krekiehn

Learning Objectives * Identify missing data. * Tune a decision tree’s hyperparameters based on its c-index. * Tune a random forest’s hyperparameters based on its c-index. * Use visual inspection to identify differences in distribution due to missing data. * Use mean imputation and regression imputation to fill in missing data. * Use Shapley Additive Explanations (SHAP) to quantify the importance of each feature to a random forest model’s predictions. * Understand and identify time to event data and censored data. * Calculate a naive estimate of survival. * Calculate the Kaplan Meier estimate of survival and compare it to the naive estimate.

Nicolai Krekiehn

Learning Objectives * Fit and interpret a Cox Model, a linear estimate of the risk of disease. * Fit a random survival forest model (a non-linear risk model). * Calculate the relative risk between any two pairs of patients. * Calculate the Harell’s concordance index to evaluate both models.

Nicolai Krekiehn

Learning Objectives * Analyze data from a randomized control trial * Interpreting Multivariate Models * Evaluating Treatment Effect Models * Interpreting ML models for Treatment Effect Estimation * Extracting disease labels from clinical reports * Question Answering with BERT

Nicolai Krekiehn

Learning Objectives * Interpreting Deep Learning Models * Feature Importance in Machine Learning **Projekt Präsenationen **

Nicolai Krekiehn

Projekt-Präsentationen

Nicolai Krekiehn

Kontaktiere uns

Schreib uns bei Fragen gerne eine E-Mail an team@opencampus.sh

Newsletter

Bleibe auf dem Laufenden und verpasse keine unserer neuen Veranstaltungen und Kurse.
- ZUR ANMELDUNG
© 2018 opencampus.sh
FAQ Impressum Datenschutz