کارگاه آشنایی با داده کاوی سلامت (با تمرکز بر یادگیری عمیق)

در معنای لغوی داده کاوی (  Data Mining)  واژه Mine به معنای استخراج از منابع نهفته و با ارزش زمین  است و ادغام این کلمه با Data  به معنی جستجویی عمیق از داده های قابل دسترس با حجم زیاد  برای یافتن اطلاعات مفید که قبلا نهفته بودند،می باشد.

هدف از داده کاوی استخراج اطلاعات مفید از بانک‌های اطلاعاتی بزرگ یا انبارهای داده است و در جنبه‌های مختلف تجاری و علم کاربرد دارد. الگوریتم‌های داده‌کاوی در صنعت بهداشت و درمان نقش مهمی در پیش‌بینی و تشخیص بیمار‌ی‌ها دارد و همچنین از آن‌ در صنایع داروسازی، مدیریت بیمارستان، بازاریابی، مدیریت ارتباط با مشتری، مهندسی و آنالیز پزشکی، وب کاوی و ... استفاده‌ شده‌است.

بطور کلی داده کـاوی پل ارتباطی میان علم آمـار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فـراگیری مـاشین و بازنمایی بصری داده می باشد. و مانند درختی است که در تکنولوژی های دیگر ریشه دارد.ریشه های داده کاوی میان سه خانواده از علوم قابل پیگیری می باشد

  • مهمترین این خانواده ها آمارکلاسیک است.

بدون آمار هیچ داده کاوی وجود نخواهد داشت بطوریکه آمار اساس اغلب تکنولوژیی می باشد که داده کاوی بر روی آنها بنا می باشد

  • دومین خانواده ای که داده کاوی به آن تعلق دارد هوش مصنوعی می‌باشد.

 هوش مصنوعی که برپایه روش های ابتکاری می باشد و با آمار ضدیت دارد، تلاش دارد تا فرآیندی مانند   فکر انسان را برای حل مسائل آماری بکار بندد.

  • سومین خانواده ی داده کاوی، یادگیری ماشین است.

یادگیری ماشین مفهوم دقیق تر اجتماع آمار و هوش مصنوعی می باشد.

تکنیک‌های مختلف هوش مصنوعی مانند یادگیری ماشین یا پردازش زبان طبیعی ارتباط انسان و ماشین را به صورت نوشتاری و گفتاری امکان‌پذیر می‌کند. از یادگیری ماشین به عنوان تحول هوش مصنوعی یاد شد چون مخلوطی از روش های ابتکاری هوش مصنوعی به همراه تحلیل آماری پیشرفته می باشد
 یادگیری ماشین مجموعه‌ای از روش‌های مختلف ‌است که می تواند به صورت خودکار الگوهای نهان در داده‌ها را کشف کند.

رابطه‌ای دو طرفه‌ای مابین داده‌کاوی و یادگیری ماشین حاکم است. داده‌کاوی از یادگیری ماشین استفاده می‌کند. یادگیری ماشین داده‌کاوی را قادر به دریافت نتیجه می‌نماید.

داده کاوی یک فرایند است و هدفش این است که بتواند یکسری الگوهائی از اعداد بدست بیاورد که دارای خصوصیات زیر باشد:

  • معتبر (Valid)
  • مفید (Useful)
  • جدید(Novel )
  • قابل فهم(Understandable)

امروزه در حوزه پزشکی ، جمع آوری داده‌ها در مورد بیماری های مختلف از اهمیت زیادی برخوردار است.

به سبب حجم بالای داده‌های جمع آوری شده و بدست آوردن الگو‌ها و نتایج مورد نظر از بین این حجم انبوه داده‌ها لزوم استفاده از تکنیک‌های داده کاوی در حوزه سلامت مشخص می‌شود .

استفاده از الگوریتم ها و تکنیک‌های داده کاوی می تواند الگوها و نتایجی را برای محققین فراهم کند که عوامل ابتلا به بیماری های مختلف را نشان دهد و بر اساس آن نتایج ، پزشکان و دست اندرکاران علوم پزشکی در پیشگیری آن بیماری‌ها اقدام کنند.

تفاوت داده کاوی با روش‌های آماری در این است که در علم آمار ما به دنبال اثبات فرضیه مورد نظر هستیم. اما در داده‌کاوی بر خلاف علم آمار به دنبال پيشگويي هستند نه كشف يا اثبات بدين معنا كه با استفاده از روش‌هاي داده كاوي به دنبال تاييد آنچه از قبل وجود دارد نيستند، بلكه به دنبال مشخص كردن الگوهاي از قبل شناخته نشده هستند. به عنوان مثال در داده کاوی به دنبال اين نيستند كه تعيين كنند چه كساني داراي بيماري قلبي هستند، بلكه به دنبال اين مورد هستند كه چه عواملي ممكن است در بروز اين بيماري نقش بيشتري داشته باشند.

از جمله کاربردهای داده کاوی در حوزه سلامت میتوان به موارد زیر اشاره کرد:

  • تعيين نوع رفتار با بيماران و پيشگويي ميزان موفقيت اعمال جراحي
  • تعيين ميزان موفقيت روش‌هاي درماني در برخورد با بيماري‌هاي سخت
  • تشخيص بيماري‌ها براساس انواع اطلاعات (تصاوير پزشکی، مشخصات بيمار احتمالی)
  • تشخيص ناهنجاري‌هائی که توسط انسان به سختی قابل تشخيص خواهند بود
  • ‌بررسي ميزان تاثير دارو بر بيماري و اثرات جانبي آن
  • ‌تـشخيـص و پيـش بينـي انـواع بيمـاري‌هـا مانند تشخيص يا پيش بيني انواع سرطان
  • ‌تعيين روش درمان بيماري ها
  • ‌تـجــزيــه و تـحـلـيــل داده‌هــاي مـوجـود در سيستم هاي اطلاعات سلامت HIS
  • تحليل عكس هاي پزشكي
  • بازاریابی دارو

 مجموعه کارگاه‌های داده کاوی سلامت از سطح مقدماتی تا پیشرفته برای کلیه افراد علاقه مند به یادگیری و استفاده از این دانش ارزشمند تهیه شده است.

سرفصل‌های آموزشی:

  • پیش‌پردازش و نرمال‌سازی داده‌ها
  • روش‌های کلاس بندی ، خوشه بندی و کاهش بعد داده‌ها
  • ابزار‌های داده کاوی در پایتون
  • شبکه‌های عصبی
  • یادگیری عمیق انواع شبکه‌های آن
  • آشنایی با کاربردهای یادگیری عمیق در پزشکی

همراه با اجرای پروژه های:

داده کاوی:

  • بر روی داده های Cohort کبد در پایتون

یادگیری عمیق:

  • افزایش کیفیت تصاویر پزشکی در متلب
  • بخش بندی (Segmentation) تصاویر پزشکی در پایتون

سایر دوره‌های تخصصی و تکمیلی که بعد از این دوره برگزار خواهد شد.

 کارگاه پروژه محور پیشرفته آشنایی با کاربردهای داده کاوی پزشکی با استفاده از زبان برنامه نویسی پایتون

  • کارگاه آشنایی با زبان برنامه نویسی R و کاربرد‌های آن در داده کاوی
  • کارگاه آشنایی با مفاهیم یادگیری عمیق
  • کارگاه پروژه محور آشنایی با کاربرد‌های یادگیری عمیق در پزشکی با استفاده از زبان برنامه نویسی پایتون

گالری تصاویر

    ارتباط مستقیم

    ارتباط مستقیم با مسئول کارگاه: ۰۹۳۰۴۴۴۶۵۲۳ یا ۰۲۱۲۲۴۳۹۸۷۳

    ارتباط مستقیم با کارشناس دوره از طریق تلگرام: t.me/acecr_informatics

    Call Now Button

    تست کرونا در منزل (ویژه شهر تهران)