Lernergebnisse
Wissen:
Die Studierenden verfügen über ein vertieftes Verständnis biomedizinischer Konzepte und Terminologien, die im Gesundheitswesen und in der medizinischen Forschung verwendet werden, über die Grundsätze und neuesten Entwicklungen des maschinellen Lernens und des Deep Learning sowie darüber, wie maschinelle Lernmethoden auf die biomedizinische Datenanalyse angewendet werden können. Die Studierenden werden mit verschiedenen Arten von Datenquellen wie elektronischen Gesundheitsakten, genomischen Daten und Bildgebungsdaten, die in der biomedizinischen Forschung verwendet werden. Darüber hinaus sind die Studierenden durch diesen Kurs mit den Prinzipien vertraut, die der statistischen Inferenz und dem Kausalschluss in der medizinischen Forschung zugrunde liegen.
Fertigkeiten:
Die Studierenden lernen, wie sie Ergebnisse und Erkenntnisse aus biomedizinischen Veröffentlichungen effektiv kommunizieren können. Sie erwerben oder verfeinern außerdem die Fähigkeit, die Literatur eines genau umrissenen Fachgebiets selbstständig zu sichten und systematisch zu strukturieren, um eine vorgegebene Fragestellung zu bearbeiten, und sammeln Erfahrungen in der Präsentation der Ergebnisse vor einem kritischen Publikum sowie in der Teilnahme an wissenschaftlichen Diskussionen.
Kompetenzen:
Die Studierenden entwickeln die Fähigkeit, Pipelines für maschinelles Lernen zur Analyse biomedizinischer Daten zu analysieren. Die Studierenden lernen, wie man verschiedene Data-Science-Tools und -Techniken einsetzt, um Erkenntnisse aus biomedizinischen Daten zu gewinnen, einschließlich der Vorverarbeitung von Daten, der Auswahl von Merkmalen und der Visualisierung von Daten. Die Studierenden entwickeln Fähigkeiten zum kritischen Denken, um die Qualität von Daten und die Angemessenheit von Methoden des maschinellen Lernens für spezifische medizinische Probleme zu bewerten. Sie lernen, wie man Experimente bewertet , Ergebnisse interpretiert und Schlussfolgerungen aus datengestützten Analysen zieht. Die Studierenden werden auch in der Lage sein, die ethischen und rechtlichen Anforderungen und Auswirkungen des Einsatzes von maschinellem Lernen in der Medizin in Bezug auf Aspekte wie Datenschutz, informierte Zustimmung und Verzerrungen in Algorithmen zu beurteilen.
