Курсы Machine Learning

Основы медицинской диагностики. Медицинские данные и датасеты

В этом модуле вы узнаете, как правильно формулировать задачи для разработчиков и как искусственный интеллект воспринимается врачами с их профессиональной точки зрения.

Тема 1: Введение в искусственный интеллект в медицине

Знакомство с основами ИИ и его применением в медицинской сфере.

Тема 2: Медицинские данные: обзор, источники, классификации

Обзор различных типов медицинских данных, их источников и способов классификации.

Тема 3: Особенности подготовки медицинских датасетов

Как правильно подготавливать медицинские датасеты для использования в ИИ.

Тема 4: Обзор применения ИИ в медицине

Изучение практического применения ИИ в различных областях медицины.

Основы ML в медицине

В этом модуле вы познакомитесь с основами машинного обучения в контексте медицины, рассмотрите основные методы и подходы, которые часто используются в медицинской практике.

Тема 1: Введение в машинное обучение

Основы машинного обучения и его связь с медицинской практикой.

Тема 2: Задача регрессии. Линейная регрессия

Основы задачи регрессии и линейной регрессии, их применение в медицине.

Тема 3: Задача классификации. Метод ближайших соседей

Изучение задачи классификации и метода ближайших соседей.

Тема 4: Логистическая регрессия

Основы логистической регрессии и её применение в медицинских данных.

Тема 5: Деревья решений

Изучение деревьев решений как метода для анализа медицинских данных.

Тема 6: Ансамбли моделей

Применение ансамблей моделей для повышения точности предсказаний в медицине.

Тема 7: Специфика ML в медицине

Особенности применения машинного обучения в медицинской сфере.

Практические примеры ИИ в медицине

В этом модуле вы познакомитесь с разнообразными примерами использования ИИ в медицине, где ИИ оказывает значительное влияние на работу врачей и пациентов.

Тема 1: Медицинская визуализация

Использование ИИ в медицинской визуализации для диагностики заболеваний.

Тема 2: Кейс: Детекция патологии на томограммах (срезах) // ДЗ

Практическое задание по применению ИИ для обнаружения патологий на томограммах.

Тема 3: Кейс: Хорошие или плохие «родинки» // ДЗ

Задание по использованию ИИ для анализа родинок и выявления опасных изменений.

Тема 4: Кейс: «Невидимый нож» в лучевой хирургии // ДЗ

Применение ИИ в лучевой хирургии для повышения точности и безопасности.

Тема 5: Электронные истории болезней. Медицинские карты

Использование ИИ для обработки и анализа электронных медицинских карт.

Тема 6: Кейс: Виртуальные ассистенты врача // ДЗ

Использование ИИ для создания виртуальных ассистентов врачей, которые помогают в диагнозах и лечении.

Тема 7: Биосигнальные данные

Применение ИИ для анализа биосигналов, таких как ЭКГ и ЭЭГ.

Тема 8: Кейс: Предсказания по энцефалограммам // ДЗ

Задание по использованию ИИ для анализа энцефалограмм и предсказания заболеваний.

Тема 9: Омиксные данные. Генетический анализ

Использование ИИ для анализа омиксных данных и генетического анализа.

Тема 10: Кейс: Анализ омиксных данных // ДЗ

Практическое задание по анализу омиксных данных с использованием ИИ.

Тема 11: Кейс: Поиск новых лекарственных средств // ДЗ

Использование ИИ для разработки новых лекарств и поиска эффективных терапевтических решений.

Особенности ИИ в медицине

В этом модуле вы изучите важные аспекты этики и применения ИИ в реальной медицинской практике, а также регуляторные вопросы.

Тема 1: Этика и доверие к медицинскому ИИ

Изучение этических аспектов и важности доверия к системам ИИ в медицине.

Тема 2: Регистрация ИИ как медицинского изделия

Процесс регистрации ИИ-технологий как медицинских изделий и соответствующие нормативы.

Проектная работа

Заключительная часть курса посвящена проектной работе. Студенты выбирают тему проекта, используя знания, полученные на курсе. Консультации преподавателей доступны в процессе работы, и проект можно продолжить после завершения курса.

Тема 1: Выбор темы и организация проектной работы // Проект

Выбор темы для проектной работы и планирование этапов её выполнения.

Тема 2: Консультация по проектам и домашним заданиям

Консультации с преподавателями по проектным и домашним заданиям.

Тема 3: Защита проектных работ

Представление и защита итоговых проектных работ.

Тема 4: Подведение итогов курса

Обсуждение результатов курса и выводы по проектам.

От классического ML к персонализации

В этом модуле мы рассмотрим следующие темы:

• Задачи сегментирования клиентов;
• Персонализация рекомендаций;
• Коммуникации для задач с небольшим количеством товаров или альтернатив коммуникаций;
• Задачи Uplift-моделирования и оптимизация финансовых результатов от коммуникации.

Тема 1: Знакомство. Вводное занятие. Жизненный цикл моделей

Тема 2: Сегментация пользователей и задача персонализации

Тема 3: Look-a-like выделение сегментов пользователей

Тема 4: Модели Next Best Action

Тема 5: Uplift-моделирование

Классические методы рекомендаций

В этом модуле мы изучим основы построения рекомендательных систем, методы оценки их качества и классический подход к реализации моделей — коллаборативную фильтрацию.

Тема 1: Введение в рекомендательные системы

Тема 2: Эвристические модели. Коллаборативная фильтрация

Тема 3: Методы матричной факторизации

Тема 4: Практическое занятие по моделям матричной факторизации

Тема 5: A/B — тесты в рекомендательных системах

Контентные и гибридные методы рекомендаций

В этом модуле мы научимся использовать информацию о пользователях и товарах для построения рекомендательных моделей.

Тема 1: Контентные методы рекомендаций

Тема 2: Рекомендательная система на основе текстовых данных

Тема 3: Ранжирование каталога товаров

Тема 4: Практическое занятие по рекомендательным системам. Двухуровневая модель

Современные методы рекомендаций

Этот модуль посвящен современным архитектурам рекомендательных систем, включая нейросетевые модели, модели на графах и обучение с подкреплением.

Тема 1: Нейросетевые методы рекомендаций

Тема 2: Sequential-модели

Тема 3: Методы теории графов в рекомендательных системах

Тема 4: Многорукие бандиты для оптимизации A/B — тестирования

Тема 5: Многорукие бандиты для задачи рекомендации

Рекомендательные системы в продакшн

В этом модуле мы рассмотрим, как внедрить рекомендательные модели в продакшн и работать с большими данными.

Тема 1: Особенности работы с большими объемами данных

Тема 2: Внедрение рекомендательных систем на практике. Микросервисы

Тема 3: Применение Docker на практике

Проектная работа

Заключительный месяц курса посвящен проектной работе. Каждый студент разрабатывает проект, который соответствует его интересам и может быть основан на знаниях, полученных в рамках курса. Завершение проекта не обязательно должно происходить за месяц — в процессе работы можно получить консультацию преподавателей.

Тема 1: Выбор темы и организация проектной работы

Тема 2: Консультация по проектам и домашним заданиям

Тема 3: Защита проектных работ и подведение итогов курса