EventoWeb
Zürcher Hochschule für Angewandte Wissenschaften
Menu Home User Menu
Nicht angemeldet Anmelden
[ Deutsch (Schweiz) ]   [ Englisch Englisch ]
[ de ]   [ en en ]
Nicht angemeldet Anmelden
t.BA.WV.DSHEAL-EN.23HS (Data Science in Health) 
Modul: Data Science in Health
Diese Information wurde generiert am: 23.11.2024
Nr.
t.BA.WV.DSHEAL-EN.23HS
Bezeichnung
Data Science in Health
Veranstalter
T Leitung Lehre
Credits
4

Beschreibung

Version: 1.0 gültig ab 01.08.2023
 

Modulverantwortung:

 Georg Spinner (spnn)

Modul- / Lernziele: (Kompetenzen)
Ziel Kompetenzen Taxonomiestufen
Generell: Die Student:innen kennen Data-Science Techniken zum Umgang mit medizinischen Daten, insbesondere Bildgebungsdaten und gängigen klinischen Daten. Sie werden Machine-Learning-, Deep-Learning- und Bayes'sche Methoden verwenden.    
Die Student:innen lernen verschiedene Anwendungen des maschinellen Lernens für die medizinische Bildgebung und deren Funktionsprinzipien kennen. Sie erweitern ihr Verständnis des maschinellen Lernens um spezifische Aspekte der medizinischen Bildgebung und verstehen die Notwendigkeit effizienter Validierungs- und Datenaugmentationstechniken. Sie werden in der Lage sein, eine grundlegende Datenverarbeitungspipeline für medizinische Bilder in Python zu implementieren. F, M K3, K5
Die Student:innen kennen Besonderheiten klinischer Daten und typische Variablen. Sie wissen, wie sie diese verarbeiten und mithilfe von maschinellem Lernen und statistischer Modellierung klinische Vorhersagemodelle entwickeln können. F, M K3, K5
Die Studierenden haben ein grundlegendes Verständnis von Wahrscheinlichkeit und Bayes'scher Statistik. Sie werden Bayes'sche Inferenz mit Software (z. B. JAGS, STAN) und Bayes'sche Netzwerkmodellierung mit R anwenden. F, M K3, K5

Modul- / Lerninhalte:
  • Medizinische Bildanalyse
    • Einführung in die diagnostische Bildgebung, Datenannotation etc.
    • Datenverarbeitung medizinischer Bilder
    • Klassifizierung medizinischer Bilder
    • Segmentierung medizinischer Bilder
    • Anwendungsbeispiele in z.B. digitaler Pathologie, Onkologie etc.
  • Wahrscheinlichkeitsdatenmodellierung
    • Umgang mit klinischen Daten und typischen Variablen
    • Klinische Vorhersagemodelle, z.B. logistische Regression
    • Einführung in die Bayes'sche Statistik
    • Anwendung Bayes'scher Inferenz und Bayes'scher Netzwerke für interpretierbare klinische Modelle

Lehrmittel /Materialien:

  

Ergänzende Literatur:

  

Zulassungs-voraussetzungen: 

 Grundkenntnisse in Python, R, Machine/Deep-Learning und Statistik.

Unterrichtssprache:

 Englisch

Modulstruktur:  
Unterrichtsart Anzahl Lektionen / Woche
Vorlesung: 4
Übung / Praktikum: 0
Blockunterricht: 0

Leistungsnachweise:

 Von der Regelung der "Leistungsnachweise während der Unterrichtszeit" kann dann abgewichen werden, wenn der Dozierende dies in einer Modulbereinbarung während der ersten Woche des Studiensemesters schriftlich bekannt gibt.
Bezeichnung Art Form Umfang Bewertung Gewichtung
Leistungsnachweise während Unterrichtszeit Projektdokumentation schriftlich 2 Berichte Benotung 2x20%=40%
Semesterendprüfung Klausur schriftlich 60 Min. Benotung 60%

Bemerkungen

  
Kurs: Data Science in Health - Vorlesung
Nr.
t.BA.WV.DSHEAL-EN.23HS.V
Bezeichnung
Data Science in Health - Vorlesung

Hinweis

  • Für das Stichdatum 23.11.2024 ist kein Modulbeschreibungstext im System verfügbar.