Βαθιά μάθηση και όραση υπολογιστών στην υγεία

Πληροφορίες Μαθήματος
ΤίτλοςΒαθιά μάθηση και όραση υπολογιστών στην υγεία / Deep learning and computer vision in health
ΚωδικόςOD12
ΣχολήΕπιστημών Υγείας
ΤμήμαΙατρικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή/Εαρινή
Υπεύθυνος/ηΠαναγιώτης Μπαμίδης
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600024793

Πρόγραμμα Σπουδών: ΔΠΜΣ "Διαχείριση του Ψηφιακού Μετασχηματισμού του Τομέα της Υγείας" (2024-σήμερα)

Εγγεγραμμένοι φοιτητές: 37
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
Επιστήμη ΔεδομένωνΕΠΙΛΕΓΟΜΕΝΑ ΕΙΔΙΚΕΥΣΗΣ216
Πληροφορίες Τάξης
ΤίτλοςΒαθιά μάθηση και όραση υπολογιστών στην υγεία
Ακαδημαϊκό Έτος2024 – 2025
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Ώρες Συνολικά39
Class ID
600256608
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τρόπος Παράδοσης
  • Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
Γλώσσα Διδασκαλίας
  • Αγγλικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
LO1: Να αναπαριστά ένα εικονίδιο σε διαφορετικούς χρωματικούς χώρους και στο πεδίο της συχνότητας LO2: Να εκτελεί τυπικές λειτουργίες επεξεργασίας εικόνας LO3: Να εξάγει χαρακτηριστικά χαμηλού επιπέδου από μια εικόνα LO5: Να υλοποιεί ένα αυτόματο σύστημα μάθησης βασισμένο σε κλασικούς αλγορίθμους για την ταξινόμηση περιεχομένου εικόνας LO6: Να γνωρίζει την τυπική αρχιτεκτονική ενός συνελικτικού νευρωνικού δικτύου (CNN) και να κατανοεί τη λειτουργία του LO7: Να επιλύει ένα πρόβλημα ταξινόμησης εικόνας με μεσαία πολυπλοκότητα χρησιμοποιώντας CNN LO8: Να εφαρμόζει μεθοδολογίες μεταφοράς μάθησης / λεπτού καλιβάντισμα βασισμένες σε προεκπαιδευμένα CNN LO9: Να χρησιμοποιεί αλγόριθμους βαθιάς μάθησης για την αυτόματη δημιουργία πολυμεσικού περιεχομένου LO10: Να χειρίζεται εικόνες χρησιμοποιώντας τη βιβλιοθήκη OpenCV και να χρησιμοποιεί τη βιβλιοθήκη Tensorflow για την ανάπτυξη εφαρμογών αυτόματης μάθησης LO11: Εφαρμογές στην υγειονομική περιθάλψη
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Προσαρμογή σε νέες καταστάσεις
  • Λήψη αποφάσεων
  • Ομαδική εργασία
  • Εργασία σε διεθνές περιβάλλον
  • Εργασία σε διεπιστημονικό περιβάλλον
  • Σεβασμός στο φυσικό περιβάλλον
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
PC1 Αναπαράσταση εικόνας PC2 Λειτουργίες εικόνας PC3 Εξαγωγή χαρακτηριστικών εικόνας PC4 Εισαγωγή στην μηχανική μάθηση PC5 Τεχνητά νευρωνικά δίκτυα PC6 Συνελικτικά νευρωνικά δίκτυα PC7 Μεταφορά μάθησης PC8 Αρχιτεκτονικές δικτύων για την ανίχνευση και αναγνώριση αντικειμένων εικόνας PC9 Αρχιτεκτονικές δικτύων για την αυτόματη δημιουργία περιεχομένου PC10 Αναπτυγμένες εφαρμογές στην υγειονομική περίθαλψη
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιντεοδιαλέξεις
  • Podcast
  • Πολυμεσικό υλικό
  • Διαδραστικές ασκήσεις
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
  • Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις391,6✓
Μελέτη και ανάλυση βιβλίων και άρθρων210,8✓
Εκπόνηση μελέτης (project)200,8✓
Συγγραφή εργασίας / εργασιών702,8✓
Σύνολο1506
Αξιολόγηση Φοιτητών
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
  • Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Feature Extraction and Image Processing for Computer Vision, 4th Edition, M. Nixon e Alberto Aguado, Academic Press, 2019 Deep Learning, I. Goodsfellow, Y. Bengio e A. Courville, MIT Press, 2016 Learning OpenCV 4 with Python 3, 3rd Edition, Joseph Howse, Joe Minichino, Packt Publishing, 2020 Tutoriais e documentação das bibliotecas OpenCV e Tensorflow
Τελευταία Επικαιροποίηση
12-07-2024