Dieser Kurs ist Teil der Spezialisierung Spezialisierung Informed Clinical Decision Making using Deep Learning

Fani Deligianni

von

Spezialisierung Informed Clinical Decision Making using Deep LearningUniversity of Glasgow

Über diesen Kurs

2.175 kürzliche Aufrufe

This course will introduce the concepts of interpretability and explainability in machine learning applications. The learner will understand the difference between global, local, model-agnostic and model-specific explanations. State-of-the-art explainability methods such as Permutation Feature Importance (PFI), Local Interpretable Model-agnostic Explanations (LIME) and SHapley Additive exPlanation (SHAP) are explained and applied in time-series classification. Subsequently, model-specific explanations such as Class-Activation Mapping (CAM) and Gradient-Weighted CAM are explained and implemented. The learners will understand axiomatic attributions and why they are important. Finally, attention mechanisms are going to be incorporated after Recurrent Layers and the attention weights will be visualised to produce local explanations of the model.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 3 von 5 in

Spezialisierung Informed Clinical Decision Making using Deep Learning

Stufe „Mittel“

Python programming and experience with basic packages such as numpy, scipy and matplotlib

Ca. 30 Stunden zum Abschließen

Englisch

Was Sie lernen werden

Program global explainability methods in time-series classification
Program local explainability methods for deep learning such as CAM and GRAD-CAM
Understand axiomatic attributions for deep learning networks
Incorporate attention in Recurrent Neural Networks and visualise the attention weights

Kompetenzen, die Sie erwerben

attention mechanisms
explainable machine learning models
model-agnostic and model specific models
global and local explanations
interpretability vs explainability

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 3 von 5 in

Spezialisierung Informed Clinical Decision Making using Deep Learning

Stufe „Mittel“

Python programming and experience with basic packages such as numpy, scipy and matplotlib

Ca. 30 Stunden zum Abschließen

Englisch

Dozent

Fani Deligianni

School of Computing Science

1.891 Lernende

5 Kurse

von

University of Glasgow

The University of Glasgow has been changing the world since 1451. It is a world top 100 university (THE, QS) with one of the largest research bases in the UK.

We are a member of the prestigious Russell Group of leading UK Universities with annual research income of more than £179m. The University’s #TeamUofG community is truly international with over 8000 staff and 28,0000 students from more than 140 countries. A 2019 Time Out survey placed Glasgow in the top ten cities in the world. Ranked between Berlin and Paris, Glasgow was voted number one for both friendliness and affordability. Right now our dedicated community of staff, students and alumni is working to address the challenges of Covid-19 and understand how we can make life safer for everyone.

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche1

Woche 1

9 Stunden zum Abschließen

Interpretable vs Explainable Machine Learning Models in Healthcare

Deep learning models are complex and it is difficult to understand their decisions. Explainability methods aim to shed light to the deep learning decisions and enhance trust, avoid mistakes and ensure ethical use of AI. Explanations can be categorised as global, local, model-agnostic and model-specific. Permutation feature importance is a global, model agnostic explainabillity method that provide information with relation to which input variables are more related to the output.

9 Stunden zum Abschließen

6 Videos (Gesamt 72 min), 8 Lektüren, 1 Quiz

6 Videos

Welcome video - Explainable Deep Learning Models for Healthcare55Interpretability vs Explainability16m'Explainability' in Healthcare Applications17mTaxonomy of Explainability Methods17mModel Agnostic Explainability Methods10mPermutation Feature Importance in Time Series Data8m

8 Lektüren

The importance of explainable prediction models in healthcare10mExplainable Artificial Intelligence - Taxonomy1hModel Agnostic Explainability30mPermutation Feature Importance1hPractical Exercise: Interpretability of the MLP model using Permutation Feature Importanceg1hPractical Exercise: Interpretability of the CNN model using Permutation Feature Importance1hPractical Exercise: Interpretability of the LSTM model using Permutation Feature Importance1hExplainability models in ECG50m

1 praktische Übung

End of week 1 quiz30m

Woche2

Woche 2

8 Stunden zum Abschließen

Local Explainability Methods for Deep Learning Models

Local explainability methods provide explanations on how the model reach a specific decision. LIME approximates the model locally with a simpler, interpretable model. SHAP expands on this and it is also designed to address multi-collinearity of the input features. Both LIME and SHAP are local, model-agnostic explanations. On the other hand, CAM is a class-discriminative visualisation techniques, specifically designed to provide local explanations in deep neural networks.

8 Stunden zum Abschließen

5 Videos (Gesamt 48 min), 7 Lektüren, 1 Quiz

5 Videos

Local Interpretable Model Agnostic Explanations (LIME)9mLIME in Time-Series Classification9mShapley Additive Explanations11mModel-Specific Explanations: Visualisation Methods12mCAM in Time-Series Classification4m

7 Lektüren

Why Should I Trust You?30mPractical Exercise: Interpretability of heartbeat classification using LIME and an NNMLP model1hPractical Exercise: Interpretability of heartbeat classification using LIME and a CNN model1hPractical Exercise: Interpretability of heartbeat classification using LIME and an LSTM model1hA Unified Approach to Interpreting Model Predictions40mPractical Exercise: Interpretability of CNN models using Class Activation Maps10mClass Activation Mapping1h

1 praktische Übung

End of week 2 quiz30m

Woche3

Woche 3

8 Stunden zum Abschließen

Gradient-weighted Class Activation Mapping and Integrated Gradients

8 Stunden zum Abschließen

4 Videos (Gesamt 37 min), 6 Lektüren, 1 Quiz

4 Videos

Gradient Weighted Class Activation Maps11mGrad-CAM in Time-Series Classification8mIntegrated Gradients12mIntegrated Gradients in Time Series Classification3m

6 Lektüren

GRAD - Class Activation Mapping 30mPractical Exercise: Interpretability of the CNN model using Gradient-weighted Class Activation Mapping1hPractical Exercise: Interpretability of the LSTM model using Gradient-weighted Class Activation Mapping1hAxiomatic Attribution for Deep Networks40mPractical Exercise: Interpretability of the CNN model using Integrated Gradients1hPractical Exercise: Interpretability of the LSTM model using Integrated Gradients1h

1 praktische Übung

End of week 3 quiz30m

Woche4

Woche 4

5 Stunden zum Abschließen

Attention mechanisms in Deep Learning

Attention in deep neural networks mimics human attention that allocates computational resources to a small range of sensory input in order to process specific information with limited processing power. In this week, we discuss how to incorporate attention in Recurrent Neural Networks and autoencoders. Furthermore, we visualise attention weights in order to provide a form of inherent explanation for the decision making process.

5 Stunden zum Abschließen

3 Videos (Gesamt 34 min), 3 Lektüren, 2 Quiz

Über den Spezialisierung Informed Clinical Decision Making using Deep Learning

This specialisation is for learners with experience in programming that are interested in expanding their skills in applying deep learning in Electronic Health Records and with a focus on how to translate their models into Clinical Decision Support Systems.

The main areas that would explore are: Data mining of Clinical Databases: Ethics, MIMIC III database, International Classification of Disease System and definition of common clinical outcomes. Deep learning in Electronic Health Records: From descriptive analytics to predictive analytics Explainable deep learning models for healthcare applications: What it is and why it is needed Clinical Decision Support Systems: Generalisation, bias, ‘fairness’, clinical usefulness and privacy of artificial intelligence algorithms.

Informed Clinical Decision Making using Deep Learning

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Explainable deep learning models for healthcare - CDSS 3

Über diesen Kurs

Was Sie lernen werden

Kompetenzen, die Sie erwerben