fbpx

醫學的 AI

你將於本課程學到的內容

  • 通過 X 射線和 3D MRI 腦部圖像診斷疾病
  • 使用基於樹的模型( tree-based models )更準確地預測患者存活率
  • 使用隨機試驗的數據估算對患者的治療效果
  • 使用自然語言處理自動化標記醫療資料集的任務

你將獲得的技能:

模型解釋影像區隔自然語言提取
機器學習到事件發生所需時間深度學習
模型評估多類別的分類隨機森林
模型調節治療效果估計機器學習解釋

報名參加課程

課程說明

人工智能正在改變醫學的實踐。它可以幫助醫生更準確地診斷患者,對患者的未來健康做出預測,並建議更好的治療方法。

該三門課程的專業知識將為提供你將機器學習應用於醫學具體問題的實踐經驗。 這些課程超越了深度學習的基礎,可以教你將 AI 應用於醫療用例的細微差別。

如果你不熟悉深度學習,或者想深入了解神經網絡的工作原理,我們建議你參加“深度學習專業”課程。

應用的學習專案

醫學是增長最快且重要的應用領域之一,面臨著諸如處理缺失資料之類的獨特挑戰。首先,你將學習處理 2D 和 3D 醫學圖像資料的細微差別。然後,你將應用基於樹的模型來改善患者的生存估計。你還將使用來自隨機試驗的資料來推薦更適合個別患者的治療方法。最後,你將探索自然語言提取如何更有效地標記醫療資料集。

要求

  • 可使用 Python 寫程式
  • 有統計和機率基礎建議

字幕

英文

製作方  

deeplearning.ai 是 Andrew Ng 的新企業,包括許多努力提供超越國界的全面 AI 教育者。( 更多 Andrew Ng 主講課程 )

第 1 門課程  醫療診斷人工智能

人工智能( AI )正在改變醫學的實踐。它可以幫助醫生更準確地診斷患者,對患者的未來健康做出預測,並建議更好的治療方法。作為一名 AI 從業人員,你將有機會參與現代醫學的這一變革。如果你已經熟悉 AI 演算法背後的一些數學和程式設計,並且渴望進一步發展自己的技能來應對醫療保健行業中的挑戰,那麼此專業適合你。不需要事先的醫學專業知識!

此課程計畫將為提供你將尖端的機器學習技術應用於現代醫學中具體問題的實踐經驗:

  • 在課程 1 中,你將創建卷積神經網路( convolutional neural network )圖像分類和區隔模型,以進行肺和腦疾病的診斷。
  • 在課程 2 中,你將使用統計方法和隨機森林( random forest )預測變量來確定心臟病的風險模型和生存估計數,以確定患者的預後( prognosis )。
  • 在課程 3 中,你將建立治療效果預測器,應用模型解釋技術,並使用自然語言處理從放射學報告中提取資訊。

這些課程超越了深度學習的基礎,可讓你深入了解將 AI 應用於醫療用例的細微差別。作為學習者,如果你已經熟悉 AI 演算法背後的一些數學和程式設計,那麼您將成功完成該計劃。

你不需要成為AI專家,但必須具備深入的神經網路(尤其是卷積網路)的工作知識以及中級程度的 Python 程式設計知識。

如果你對機器學習或神經網路還比較陌生,我們建議你可先參加由 deeplearning.ai 提供並由 Andrew Ng 教授的“深度學習專業”課程。

對具有解決現代醫學中最大問題的技能和知識的 AI 從業人員的需求呈指數增長。加入我們這個專業領域,開始你邁向醫療保健未來的旅程。


第 2 門課程 人工智能的醫學預後

人工智能正在改變醫學的實踐。它可以幫助醫生更準確地診斷患者,對患者的未來健康做出預測,並建議更好的治療方法。本專業將提供你將機器學習應用於醫學具體問題的實踐經驗。

機器學習是預後( prognosis )的強大工具,它是專門研究患者未來健康狀況的醫學分支。在這第二門課程中,你將走遍瞭解多個預後任務的示例。然後,你將使用決策樹( decision trees )為醫學資料中常見的非線性關係建模,並將其應用於更準確地死亡率預測。最後,你將學習如何處理丟失的數據,這是現實中的關鍵挑戰。

這些課程超越了深度學習的基礎,可以教你將 AI 應用於醫療用例的細微差別。本課程側重於基於樹的機器學習,因此本課程不需要深度學習的基礎。但是,強烈建議為該專業的課程 1 和 3 奠定深度學習的基礎。你可以參加 deeplearning.ai 提供的,由 Andrew Ng 教授的“深度學習專業”課程,從而為深度學習奠定基礎。


第 3 門課程  人工智能的治療

人工智能正在改變醫學的實踐。它可以幫助醫生更準確地診斷患者,對患者的未來健康做出預測,並建議更好的治療方法。本專業將提供你將機器學習應用於醫學具體問題的實踐經驗。

藥物治療可能會根據患者現有的健康狀況而對其產生不同的影響。在這第三門課程中,你將根據隨機對照試驗的資料,為個人患者推薦更適合的治療方法。在第二週,你將應用機器學習解釋方法來解釋複雜機器學習模型的決策。最後,你將使用自然語言實體提取和問題解答方法來自動標記醫療資料集。

這些課程超越了深度學習的基礎,可以教你將 AI 應用於醫療用例的細微差別。如果你不熟悉深度學習,或者想更深入地了解神經網路的工作原理,建議你參加“深度學習專業”課。


到官方網站了解本課程與上課

Sponsored by Coursera

你可能會有興趣

 歡迎使用 App / Email | Telegram 訂閱 網站更新

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: