1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Data Science Themen in der Biomedizin

Zur Modulseite PDF generieren

#41114 / #3

SoSe 2024 - SoSe 2024

Deutsch, Englisch

Topics in Biomedical Data Science
Data Science Themen in der Biomedizin

3

Haufe, Stefan

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML)

Keine Angabe

Kontakt


MAR 4-4

Zhumagambetov, Rustam

rustam.zhumagambetov@campus.tu-berlin.de

http://tu.berlin/uniml

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, sowie mit deren Stärken und Grenzen vertraut gemacht. 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 entwerfen. 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 entwirft, 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.

Lehrinhalte

Zu den geplanten Themen gehören: - Einführung in data science in den biomedizinischen Wissenschaften - Datenverarbeitung und -bereinigung - Ausgewählte Probleme der biomedizinischen Bildanalyse - Ausgewählte Probleme bei der Analyse von genomischen und anderen OMICS- sowie molekularen Daten - Natürliche Sprachverarbeitung (NLP) und ausgewählte Anwendungen in der biomedizinischen Forschung - Kausales maschinelles Lernen - Klinische Entscheidungsunterstützungssysteme - Präzisionsmedizin und personalisierte Medizin - Datenschutz und Datensicherheit in der biomedizinischen Forschung - Biases und Fairness in ML-Modellen für die biomedizinische Forschung - Aufkommende Trends und Technologien in der biomedizinischen Datenwissenschaft

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Topics in Biomedical Data ScienceSEMWiSe/SoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Topics in Biomedical Data Science (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 90.0 Stunden. Damit umfasst das Modul 3 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus einem Seminar, welches entweder in einem wöchentlichen Rhythmus oder am Ende des Semesters an zwei Tagen als ganztägige Veranstaltung durchgeführt wird. Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus. Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer. Die Kursnote setzt sich zusammen aus der Präsentation der Studierenden sowie einem Quiz, das alle Präsentationen des Seminars umfasst.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Ein BSc-Abschluss in Informatik wird empfohlen. Der erfolgreiche Abschluss eines einführenden Moduls über ML wie "Machine Learning I" oder "Maschinelle Intelligenz I" ist empfehlenswert. Programmierkenntnisse in mindestens einer Sprache (z. B. Matlab, Python, R) sind empfehlenswert.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte pro Element

Sprache(n)

Englisch

Prüfungselemente

NameGewichtKategorieDauer/Umfang
Online-Quiz50schriftlich45 min
Präsentation50schriftlich30 min

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt95.0pt90.0pt85.0pt80.0pt75.0pt70.0pt65.0pt60.0pt55.0pt50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Modulnote wird berechnet auf der Grundlage von 1. Die Qualität der Präsentation (50%) 2. Die Leistung in einem Online-Quiz (50%).

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 16.

Anmeldeformalitäten

Studenten können sich in MOSES für den Kurs anmelden.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe