Μηχανική μάθηση στην ανάλυση βιοϊατρικών δεδομένων
| Τίτλος | Μηχανική μάθηση στην ανάλυση βιοϊατρικών δεδομένων / Machine learning in biomedical data analysis |
| Κωδικός | ΒΜ020 |
| Σχολή | Πολυτεχνική |
| Τμήμα | Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Εαρινή |
| Υπεύθυνος/η | Παναγιώτης Πετραντωνάκης |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600020762 |
Πρόγραμμα Σπουδών: ΔΠΜΣ ΒΙΟΪΑΤΡΙΚΗ ΜΗΧΑΝΙΚΗ
Εγγεγραμμένοι φοιτητές: 10
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Επιλογής | 2 | 1 | 5 |
| Τίτλος | Μηχανική μάθηση στην ανάλυση βιοϊατρικών δεδομένων |
| Ακαδημαϊκό Έτος | 2023 – 2024 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Ώρες Εβδομαδιαία | 4 |
| Class ID | 600245940
|
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600245940
- eLearning: https://elearning.auth.gr/course/view.php?id=17579
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
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| 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
