MU Wien:Machine Learning in der Medizin VU (Dorffner, Seeböck, Widder)

Aus VoWi
Zur Navigation springen Zur Suche springen

Daten[Bearbeiten | Quelltext bearbeiten]

Vortragende Georg Dorffner, Philipp Seeböck, Stefanie Widder
ECTS 3
Sprache Deutsch
Links campus:840.042
Zuordnungen
Master Medizinische Informatik
Master Medizinische Informatik
Masterstudium Medizinische Informatik



Inhalt[Bearbeiten | Quelltext bearbeiten]

  • Crash Course: Neuronale Netze und Support Vector Machines
  • Decision Trees, Random Forests
  • Validierungsstrategien und Double Dipping
  • Deep Learning
  • advanced Deep Learning
  • Prediction models
  • Representation Learning / Graphs
  • Unsicherheiten in der Modellschätzung; Bis, Varianz, Rauschen
  • Missing Data und Imputation
  • Zeitreihen und rekurrente Netze
  • Klinische Anwendungen

Ablauf[Bearbeiten | Quelltext bearbeiten]

noch offen

Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]

Grundlagen des Machine Learnings werden vorausgesetzt. Dementsprechend sollten diese vorhanden sein. Mit einer informatischen Vorbildung ist die LVA auch ohne diese Vorkenntnisse schaffbar, jedoch deutlich anstrengender dann.

Vortrag[Bearbeiten | Quelltext bearbeiten]

noch offen

Übungen[Bearbeiten | Quelltext bearbeiten]

Übung 1 - Kreuzvalidierung und lineares Modell in Matlab

Übung 2 (optional) - a) nicht lineares Regressionsproblem, Bias, Varianz, Rauschen in Matlab. b) Gaussian Mixture Model in Matlab, c) Mixture Density Network

Übung 3 - Deep Learning;

Übung 4 - Deep Learning; Explainable AI, in Tensorflow

Übung 5 - RF in R

Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]

noch offen

Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]

noch offen

Zeitaufwand[Bearbeiten | Quelltext bearbeiten]

Wenn man die Übungen alle macht und in diesen auch viele Punkte sammeln möchte, ist der Aufwand eher hoch.

22WS: 3,5 ECTS

Unterlagen[Bearbeiten | Quelltext bearbeiten]

noch offen

Tipps[Bearbeiten | Quelltext bearbeiten]

Alle Übungen machen. Die Vorlesungsklausur nicht unterschätzen.

Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]

noch offen