BigData в медицине

Большие Данные (Big Data) – одно из направлений федерального проекта «Цифровые технологии», запущенного в рамках национальной программы «Цифровая экономика Российской Федерации». Системы класса Больших Данных позволяют организовывать сбор, хранение и обработку как структурированных, так и неструктурированных данных, практически в неограниченных объемах. Это позволяет создавать эффективные реестры медицинских данных, включая хранилища медицинских изображений, с целью построения сервисов, облегчающих и повышающих качество труда медицинского персонала, а также повышающих эффективность проведения исследовательских работ. Программа повышения квалификации направлена на формирование профессиональной компетенции «Способен ставить и решать прикладные задачи по подготовке медицинских данных для проведения аналитических работ по исследованию больших данных с использованием инструментов Hadoop Common». Для успешного освоения программы обучающимся необходимо владеть базовыми компетенциями цифровой грамотности, в том числе навыками владения ПК и ОС Linux на уровне среднего или продвинутого пользователя; компетенции в области алгоритмизации, базовыми знаниями в области языков программирования Java, Python и SQL. В процессе обучения по программе обучающимся рекомендуется просмотреть и прослушать все видеолекции и видеоролики по практическим занятиям, выполнить по каждой теме обязательные практические задания, проработать самостоятельно дополнительные материалы и выполнить задания для самостоятельной работы, после этого необходимо выполнить тесты по каждой теме и для успешного завершения обучения выполнить итоговый тест (70% верных ответов). Обучающиеся в результате освоения программы: будут знать сущность понятия «большие данные» и примеры применимости больших данных в медицине, концепцию распределенных вычислений MapReduce и особые техники использования MapReduce, компонент программно-технических архитектур Hadoop и  компоненты распределенной файловой системы HDFS, особенности реляционных и нереляционных баз данных и примеры этих баз данных в медицине; существующие приложения Hadoop и интерфейсы взаимодействия с ними; подходы к извлечению знаний из данных по медицине; подходы и технологии обработки и анализа текстовых данных в медицине; будут уметь использовать возможности имеющейся в медицинской организации технологической инфраструктуры больших данных, выбранные инструментальные средства для хранения, преобразования и обработки больших данных в медицине, а также облачные варианты технологической инфраструктуры больших данных применительно к медицине; будут иметь практический опыт работы с распределённой файловой системой HDFS; написания программного кода на Java и на Python для решения MapReduce задач применительно к медицине; запуска MapReduce задач с помощью YARN; написания SQL-подобных запросов для создания выборок в Hive; написания скриптов Pig Latin для подготовки медицинских данных и проведения аналитических работ. В качестве бонуса в курсе предлагается развёртывание виртуальной машины с предустановленной инфраструктурой обработки больших данных.

Результаты обучения по программе будут востребованы при решении профессиональных задач по подготовке медицинских данных для проведения аналитических работ по исследованию Больших данных. Данные исследования являются актуальными в области доказательной медицины, в фармацевтике и фармакологии, могут составлять один, либо нескольких этапов комплексных проектов медицинской сферы. Полученная компетенция также может быть востребована в проектах цифровизации отрасли медицины при участии медицинских информационно-аналитических и специализированных информационно-вычислительных центров, как в целом, так и конкретных служб и/или подразделений.

Образование: среднее профессиональное, высшее

Квалификация: уровень квалификации не ниже 6

Наличие опыта профессиональной деятельности: обработка и анализ данных

Предварительное освоение иных дисциплин/курсов/модулей:

Образование: среднее профессиональное, высшее

Квалификация: уровень квалификации не ниже 6

Наличие опыта профессиональной деятельности: обработка и анализ данных

Предварительное освоение иных дисциплин/курсов/модулей: