توضیحات
دوره
هر lecture شامل بخش های ذیل خواهد بود:
تدریس مفاهیم پیش نیاز (جبر خطی یا آمار و احتمال) به زبان ساده و در صورت نیاز
تدریس مفاهیم یاد گیری ماشین یا یادگیری عمیق مربوط به آن lecture
تدریس کد نویسی و استفاده از کتابخانه های مربوطه در زبان برنامه نویسی پایتون
انجام مثال های کاربردی مرتبط با آن lecture در حوزه هوش مصنوعی و پزشکی
تعریف یک پروژه کاربردی کوچک در پایان هر lecture و تحویل آن درجلسه بعد
همچنین در پایان دوره با تعریف چندین پروژه (حق انتخاب با دانشجو) برای هر دانشجو پروژه دنیای واقعی در حوزه هوش مصنوعی و پزشکی تعریف شده که پس از انجام آن توسط دانشجو در بازه زمانی مشخص دوره به پایان رسیده و مدرک دانشجو صادر خواهد شد.
پیش نیاز ها
- گذراندن دوره برنامه نویسی پایتون
سرفصل ها
- Introduction to ML, DL, and their application in medicine
- Principal Component Analysis (PCA)
- Introduction to medical genetics
- Naive Bayes, Linear Discriminant Analysis (LDA), and Quadratic Discriminant Analysis (QDA)
- Logistic Regression
- Fisher Discriminant Analysis (FDA) and K-Nearest Neighbor (KNN)
- Genetic International Database
- Support Vector Machine (SVM)
- Feature Selection Methods in Medical Data Clinical, Genetic, etc.)
- Decision Tree and Random Forest
- Artificial Neural Networks (ANNs)
- How to interpret the results of ML models for clinicians
- Clustering
- Introduction to Medical Imaging
- Convolutional Neural Network (CNN)
- Classification CNN-based Models
- Introduction to Medical Image International Database
- Segmentation and Detection CNN-based Models
- How to interpret the results of DL models for clinicians
- Graph Neural Networks (GNNs)
- Transformers
کسب توانایی ها
- آشنایی با الگوریتم های یادگیری ماشین با تمرکز در داده های پزشکی
- آشنایی با الگوریتم های یادگیری عمیق با تمرکز در داده های پزشکی
- آشنایی با الگوریتم های مهندسی انتخاب ویژگی
- آشنایی با کتابخانه های مربوطه در زبان برنامه نویسی پایتون (Pandas, Numpy, Matplotlib, Seaborn, Sci-kit learn, Sci-kit feature, PyTorch, SHAP, Mlxtend, DGL)
- آشنایی با مفاهیم جبر خطی، آمار و احتمال در حد نیاز
- آشنایی با داده های پزشکی مانند داده های بالینی، آزمایشگاهی، ژنتیکی و تصاویر پزشکی در مدالیته های مختلف (CT scan, MRI, X-ray, Mammography و غیره)
- آشنایی با پایگاه داده های پزشکی بین المللی
بازار کار
- حضور در مراکز تحقیقاتی حوزه پزشکی (دانشگاه های علوم پزشکی و غیر پزشکی فعال در این حوزه)
- حضور در شرکت های فناور و دانش بنیان در حوزه پزشکی و غیر پزشکی
- شانس بالا برای یافتن موقعیت دانشگاهی یا کاری مناسب در خارج از کشور (مهاجرت)
- حضور به عنوان کار آفرین در زیست بوم فناوری مبتنی بر هوش مصنوعی (از مرحله ایده تا تولید محصول)
نقد و بررسیها
هنوز بررسیای ثبت نشده است.