Анализ медицинских данных

Станьте востребованным специалистом по анализу медицинских данных и повысьте свой уровень компетенций в Data Science с курсом переподготовки от Государственного Сеченовского Университета.

Все учебные материалы курса синхронизированы со стратегией цифровой трансформации здравоохранения 2030.

Бесплатно

Проверка домашних заданий

Диплом о переподготовке установленного образца

Практика на реальных данных

252 часа

Скачать программу

Главная

ДПО

195 свободных мест

Онлайн

Только конкретика

Для кого курс?

Для окончивших 1 курс бакалавриата

Отличная возможность заложить основу для успешной карьеры, приобретая востребованные знания и навыки

Для окончивших 2 курс специалитета

Углубите свои знания в анализе медицинских данных и подготовьтесь к профессиональной деятельности в области медицины и информационных технологий

Для тех, кто ранее не проходил обучение на цифровой кафедре

Курс идеально подходит для начинающих, желающих освоить передовые технологии анализа медицинских данных

Для учащихся в магистратуре и ординатуре

Примените полученные знания и навыки для научных исследований и практической работы, улучшая качество медицинской помощи

Что вы получите?

Навыки анализа медицинских данных

Научитесь создавать базы медицинских данных

Углубитесь в разработку клиент-серверных систем

Уверенность в собственных знаниях

Умения выявлять закономерности и тренды, а также делать прогноз

Освоите подходы для анализа и интерпретации данных

Научитесь обеспечивать безопасность и конфиденциальность медицинских данных

Курс разработан и проводится государственным Сеченовским университетом, гарантирующим высокое качество обучения и выдачу диплома о переподготовке установленного образца

Программа курса

1

Введение в анализ данных и статистику

Принципы поиска и отбора медицинских данных. Источники
Исследовательская статистика медицинских данных
Прикладная статистика в здравоохранении
Практика формулирования медицинской задачи, решаемой методами анализа данных

3

Программирование на Python

Основы программирования на языке Python
Алгоритмы и структуры данных на Python
Анализ данных на Python с помощью NumPy и Pandas
Визуализация данных на Python с помощью Matplotlib
Практика аналитической обработки и визуализации данных датасета

4

Машинное и глубокое обучение

Основы машинного обучения на Python, библиотека scikit-learn
Методы обучения с учителем (деревья решений, машины опорных векторов, байесовский классификатор, линейный дискриминантный анализ, метод k-ближайших соседей)
Методы обучения без учителя (K-means clustering, KNN, Hierarchal clustering, метод главных компонент)
Применение машинного обучения для анализа данных
Основы глубокого обучения и нейронных сетей
Фреймворки для глубокого обучения (TensorFlow, Keras, PyTorch)
Сверточные и рекуррентные нейронные сети
Трансформеры, предобученные нейронные сети, перенос обучения
Практическое применение нейронных сетей для задач классификации в медицине

5

Разработка клиент-серверных систем

Основы построения клиент-серверных приложений
Построение систем обработки данных на Python
Основы работы на серверах Linux, работа с командной строкой
Применение фреймворков Flask и Django
Практика размещения системы на серверной платформе

6

Аттестации и практика

2

Итого - 252 часа

Базы данных и SQL

Средства автоматизации поиска и отбора медицинских данных. Применение машинного обучения
Основные понятия теории баз данных
Основы SQL
Проектирование баз данных на примере PostgreSQL, MySQL, SQLite
Импорт данных из xml, csv, xls и других форматов

Промежуточная аттестация: По 2 часа в каждом модуле
Практика: 24 часа
Итоговая аттестация: 36 часов

1

Введение в анализ данных и статистику

Принципы поиска и отбора медицинских данных. Источники
Исследовательская статистика медицинских данных
Прикладная статистика в здравоохранении
Практика формулирования медицинской задачи, решаемой методами анализа данных

3

Программирование на Python

Основы программирования на языке Python
Алгоритмы и структуры данных на Python
Анализ данных на Python с помощью NumPy и Pandas
Визуализация данных на Python с помощью Matplotlib
Практика аналитической обработки и визуализации данных датасета

4

Машинное и глубокое обучение

Основы машинного обучения на Python, библиотека scikit-learn
Методы обучения с учителем (деревья решений, машины опорных векторов, байесовский классификатор, линейный дискриминантный анализ, метод k-ближайших соседей)
Методы обучения без учителя (K-means clustering, KNN, Hierarchal clustering, метод главных компонент)
Применение машинного обучения для анализа данных
Основы глубокого обучения и нейронных сетей
Фреймворки для глубокого обучения (TensorFlow, Keras, PyTorch)
Сверточные и рекуррентные нейронные сети
Трансформеры, предобученные нейронные сети, перенос обучения
Практическое применение нейронных сетей для задач классификации в медицине

5

Разработка клиент-серверных систем

Основы построения клиент-серверных приложений
Построение систем обработки данных на Python
Основы работы на серверах Linux, работа с командной строкой
Применение фреймворков Flask и Django
Практика размещения системы на серверной платформе

6

Аттестации и практика

Итого - 252 часа

Промежуточная аттестация: По 2 часа в каждом модуле
Практика: 24 часа
Итоговая аттестация: 36 часов

2

Базы данных и SQL

Средства автоматизации поиска и отбора медицинских данных. Применение машинного обучения
Основные понятия теории баз данных
Основы SQL
Проектирование баз данных на примере PostgreSQL, MySQL, SQLite
Импорт данных из xml, csv, xls и других форматов

Скачать программу

Лекторы курса

Лебедев Георгий Станиславович

Заведующий кафедрой информационных и интернет-технологий, д.т.н.

Кошечкин Константин Александрович

Профессор кафедры информационных и интернет-технологий, д.ф.н.

Игнатьев Александр Андреевич

Преподаватель кафедры информационных и интернет-технологий, к.м.н.

Нурматова Елена Вячеславовна

Преподаватель кафедры информационных и интернет-технологий, к.т.н.

Орлов Юрий Львович

Профессор кафедры информационных и интернет-технологий, д.б.н.