Μηχανική μάθηση στην ανάλυση βιοϊατρικών δεδομένων

Πληροφορίες Μαθήματος
ΤίτλοςΜηχανική μάθηση στην ανάλυση βιοϊατρικών δεδομένων / Machine learning in biomedical data analysis
ΚωδικόςΒΜ020
ΣχολήΠολυτεχνική
ΤμήμαΗλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΠαναγιώτης Πετραντωνάκης
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600020762

Πρόγραμμα Σπουδών: ΔΠΜΣ ΒΙΟΪΑΤΡΙΚΗ ΜΗΧΑΝΙΚΗ

Εγγεγραμμένοι φοιτητές: 11
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΕπιλογής215

Πληροφορίες Τάξης
ΤίτλοςΜηχανική μάθηση στην ανάλυση βιοϊατρικών δεδομένων
Ακαδημαϊκό Έτος2023 – 2024
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία4
Class ID
600245940
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
  • Αγγλικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα: 1. Θα γνωρίζουν το θεωριτικό υπόβαθρο βασικών τεχνικών Μηχανικής Μάθησης 2. Θα γνρίζουν τα στάδια στάδια υλοποίησης και εκπαίδευσης αυτών των τεχνικών 3. Θα μπορούν να εφαρμόσουν τις τεχνικές αυτές σε προβλήματα Βιοϊατρικής Τεχνολογίας 4. Θα μπορούν να αναλύουν συγκεκριμένα προβλήματα ανάλυση δεδομένων στην περιοχή της Βιοϊατρικής Τεχνολογίας
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
  • Εργασία σε διεπιστημονικό περιβάλλον
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Στο πλαίσιο του μαθήματος γίνεται εισαγωγή στις τεχνικές Μηχανικής Μάθησης και Αναγνώρισης Προτύπων, με έμφαση στα βιοϊατρικά δεδομένα. Μελετώνται οι κλασσικές και σύγχρονες τεχνικές μηχανικής μάθησης και παρουσιάζονται οι τομείς και οι προσεγγίσεις των εφαρμογών. Θέματα, όπως ο ποσοτικός προσδιορισμός και η διάγνωση μιας νόσου καθώς και η ταξινόμηση ασθενών συνδυάζονται με ανάλυση δεδομένων με μεθόδους που περιλαμβάνουν μη γραμμική ανάλυση και ανάλυση συνδεσιμότητας και σύνθετα δίκτυα. Όσον αφορά τη μεθοδολογία, παρουσιάζονται τεχνικές μηχανικής μάθησης για ταξινόμηση και παλινδρόμηση (π.χ. γραμμική ταξινόμηση και παλινδρόμηση, μηχανές υποστήριξης διανυσμάτων, Random Forests κτλ), συμπεριλαμβανομένων τεχνικών μείωσης διαστάσεων. Το μάθημα επικεντρώνεται στην κατανόηση και την εφαρμογή τεχνικών μηχανικής μάθησης που χρησιμοποιούνται συνήθως σε βιοϊατρικές εφαρμογές.
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις
Εργαστηριακή Άσκηση
Σύνολο
Αξιολόγηση Φοιτητών
Περιγραφή
Εργασία και Παρουσίαση
Μέθοδοι Αξιολόγησης Φοιτητών
  • Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
  • Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Bishop, Christopher M., and Nasser M. Nasrabadi. Pattern recognition and machine learning. Vol. 4. No. 4. New York: springer, 2006. - Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016. (Available Online: https://www.deeplearningbook.org/) - Dey, Nilanjan, et al., eds. Machine learning in bio-signal analysis and diagnostic imaging. Academic Press, 2018.
Τελευταία Επικαιροποίηση
18-12-2023