На сегодняшний день разработаны современные инструменты машинного обучения, применяемые в основном в медицине – Survival models, Difference-in-Difference и др. Целью реализации программы является формирование новых компетенций в области интеллектуального анализа медицинских и биологических данных, необходимых для проведения специалистами клинических и эпидемиологических исследований. Конечной целью освоения программы слушателями является формирование у будущих специалистов теоретических знаний и практических навыков для решения прикладных задач интеллектуального анализа доказательной медицины, освоение навыков использования инструментов машинного обучения конкретно к медицинским задачам, использование инструментов, применяемых для разработки систем поддержки принятия в медицине и медицинских информационных систем. В итоге после прохождения курсов у слушателя должна быть сформирована компетенция цифровой экономики на базовом уровне: способность управлять информацией и данными медико-биологического характера.
Для успешного прохождения курса слушатели должны на продвинутом уровне пользоваться компьютером, иметь базовые знания о проведении медицинского эксперимента, основные принципы доказательной медицины, знать основы теории вероятности и математической статистики. Для слушателей курсов предусмотрены входные контрольные задания по теории вероятности и математической статистике (описательные дескриптивные статистики и проверка гипотез – ошибки первого и второго рода).
дать систематизированное представление о современных подходах к интеллектуального анализа медицинских и биологических данных, необходимых для проведения специалистами клинических и эпидемиологических исследований в современных информационных средах (RStudio). Конечной целью освоения программы слушателями является формирование у будущих специалистов теоретических знаний и практических навыков для решения прикладных задач интеллектуального анализа доказательной медицины, освоение навыков использования инструментов машинного обучения конкретно к медицинским задачам, использование инструментов, применяемых для разработки систем поддержки принятия в медицине и медицинских информационных систем. В итоге после прохождения курсов у слушателя должна быть сформирована компетенция цифровой экономики на базовом уровне: способность управлять информацией и данными медико-биологического характера.
Образование: высшее, средне-специальное
Квалификация: медицинский работник, врач, математик
Наличию опыта профессиональной деятельности: работа в Excel
Предварительное освоение иных дисциплин/курсов /модулей: теория вероятностей и математическая статистика, общая теория медицинской статистики
Образование: высшее, средне-специальное
Квалификация: медицинский работник, врач, математик
Наличию опыта профессиональной деятельности: работа в Excel
Предварительное освоение иных дисциплин/курсов /модулей: теория вероятностей и математическая статистика, общая теория медицинской статистики
свернуть
Первичная обработка данных. Параметрические и непараметрические тесты
Темы
Типы данных (качественные и количественные). Методы сводки и группировки. Шкалы измерения данных. Виды статистических наблюдений. Принципы группировки, формула Стержесса. Графическое представление данных. Описательные статистики признака: показатели центра распределения для сгруппированных и несгруппированных данных, порядковые характеристики, показатели вариации, асимметрии и эксцесса. Методы формирования выборок и определение их необходимого объема в зависимости от цели проводимого исследования. Простая случайная, стратификационная и серийная выборки. Показатели связи. Коэффициенты корреляции, ассоциации, контингенции, сопряженности Чупрова и Пирсона. Ранговые показатели связи: коэффициенты Спирмена, Кендалла, конкордации. Биссериальные коэффициенты. Статистические гипотезы проверки значимости показателей связи. Непараметрические методы анализа независимых выборок. Непараметрические тесты о сходстве/различии характеристики для двух групп (метод серий Вальда-Вольфовица, метод Колмогорова Смирнова, U-критерий Манна-Уитни). Непараметрические методы анализа независимых выборок. Непараметрические тесты о сходстве/различии характеристики для трех групп (Краскела-Уоллиса, метод Колмогорова Смирнова, U-критерий Манна-Уитни).
Первичная обработка данных. Параметрические и непараметрические тесты
Темы
Типы данных (качественные и количественные). Методы сводки и группировки. Шкалы измерения данных. Виды статистических наблюдений. Принципы группировки, формула Стержесса. Графическое представление данных. Описательные статистики признака: показатели центра распределения для сгруппированных и несгруппированных данных, порядковые характеристики, показатели вариации, асимметрии и эксцесса. Методы формирования выборок и определение их необходимого объема в зависимости от цели проводимого исследования. Простая случайная, стратификационная и серийная выборки. Показатели связи. Коэффициенты корреляции, ассоциации, контингенции, сопряженности Чупрова и Пирсона. Ранговые показатели связи: коэффициенты Спирмена, Кендалла, конкордации. Биссериальные коэффициенты. Статистические гипотезы проверки значимости показателей связи. Непараметрические методы анализа независимых выборок. Непараметрические тесты о сходстве/различии характеристики для двух групп (метод серий Вальда-Вольфовица, метод Колмогорова Смирнова, U-критерий Манна-Уитни). Непараметрические методы анализа независимых выборок. Непараметрические тесты о сходстве/различии характеристики для трех групп (Краскела-Уоллиса, метод Колмогорова Смирнова, U-критерий Манна-Уитни).
Лакман
Ирина Александровна
Федеральное государственное бюджетное образовательное учреждение высшего образования "Уфимский государственный авиационный технический университет"
Назад
