Dieser Kurs ist Teil der Spezialisierung Spezialisierung AI in Healthcare

4.8
Sterne
257 Bewertungen

96 %

Matthew Lungren +1 weiterer Dozent

Herausragender Dozent

12.289 bereits angemeldet

von

Spezialisierung AI in HealthcareStanford University

Über diesen Kurs

24.735 kürzliche Aufrufe

Machine learning and artificial intelligence hold the potential to transform healthcare and open up a world of incredible promise. But we will never realize the potential of these technologies unless all stakeholders have basic competencies in both healthcare and machine learning concepts and principles. 
This course will introduce the fundamental concepts and principles of machine learning as it applies to medicine and healthcare. We will explore machine learning approaches, medical use cases, metrics unique to healthcare, as well as best practices for designing, building, and evaluating machine learning applications in healthcare.

The course will empower those with non-engineering backgrounds in healthcare, health policy, pharmaceutical development, as well as data science with the knowledge to critically evaluate and use these technologies.

 
Co-author: Geoffrey Angus
 
Contributing Editors:
Mars Huang
Jin Long
Shannon Crawford
Oge Marques


The Stanford University School of Medicine is accredited by the Accreditation Council for Continuing Medical Education (ACCME) to provide continuing medical education for physicians.  Visit the FAQs below for important information regarding 1) Date of original release and Termination or expiration date; 2) Accreditation and Credit Designation statements; 3) Disclosure of financial relationships for every person in control of activity content.

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.

Kurs 3 von 5 in

Spezialisierung AI in Healthcare

Stufe „Anfänger“

Ca. 12 Stunden zum Abschließen

Englisch

Was Sie lernen werden

Define important relationships between the fields of machine learning, biostatistics, and traditional computer programming.
Learn about advanced neural network architectures for tasks ranging from text classification to object detection and segmentation.
Learn important approaches for leveraging data to train, validate, and test machine learning models.
Understand how dynamic medical practice and discontinuous timelines impact clinical machine learning application development and deployment.

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.

Kurs 3 von 5 in

Spezialisierung AI in Healthcare

Stufe „Anfänger“

Ca. 12 Stunden zum Abschließen

Englisch

Dozenten

Dozentenbewertung

4,9/5 (105 Bewertungen)

Matthew Lungren
Herausragender Dozent

Associate Professor

Department of Radiology

13.545 Lernende

2 Kurse

Serena Yeung

Assistant Professor

Biomedical Data Science

13.545 Lernende

2 Kurse

von

Stanford University

Lehrplan - Was Sie in diesem Kurs lernen werden

Inhaltsbewertung96%(1,200 Bewertungen)

Woche

Woche 1

2 Stunden zum Abschließen

Why machine learning in healthcare?

2 Stunden zum Abschließen

7 Videos (Gesamt 34 min), 6 Lektüren, 3 Quiz

7 Videos

Why machine learning in healthcare?3m

History of AI in Medicine6m

Course Overview4m

Why Healthcare Needs Machine Learning2m

Machine Learning Magic8m

Machine Learning, Biostatistics, Programming4m

Can Machine Learning Solve Everything?5m

6 Lektüren

Getting Started: Creators of This Course5m

Video Image Credit

Study Guide Module 15m

Citations and Additional Readings10m

Video Image Credit

3 praktische Übungen

Reflection Exercise15m

Reflection Exercise10m

Knowledge Check30m

Woche

Woche 2

2 Stunden zum Abschließen

Concepts and Principles of machine learning in healthcare part 1

2 Stunden zum Abschließen

8 Videos (Gesamt 51 min), 2 Lektüren, 3 Quiz

8 Videos

Machine Learning Terms, Definitions, and Jargon Part 111m

Machine Learning Terms, Definitions, and Jargon Part 210m

How Machines Learn Part 18m

How Machines Learn Part 25m

Supervised Machine Learning Approaches: Regression and the "No Free Lunch" Theorem3m

Other Traditional Supervised Machine Learning Approaches3m

Support Vector Machine (SVM)3m

Unsupervised Machine Learning4m

2 Lektüren

Study Guide Module 25m

Citations and Additional Readings5m

3 praktische Übungen

Reflection Exercise10m

Knowledge Check30m

Woche

Woche 3

2 Stunden zum Abschließen

Concepts and Principles of machine learning in healthcare part 2

2 Stunden zum Abschließen

10 Videos (Gesamt 63 min), 3 Lektüren, 3 Quiz

10 Videos

Introduction to Deep Learning and Neural Networks8m

Deep Learning and Neural Networks6m

Cross Entropy Loss3m

Gradient Descent6m

Representing Unstructured Image and Text Data5m

Convolutional Neural Networks4m

Natural Language Processing and Recurrent Neural Networks7m

The Transformer Architecture for Sequences4m

Commonly Used and Advanced Neural Network Architectures6m

Advanced Computer Vision Tasks and Wrap-Up10m

3 Lektüren

Video Image Credit

Study Guide Module 35m

Citations and Additional Readings5m

3 praktische Übungen

Reflection Exercise10m

Knowledge Check30m

Woche

Woche 4

2 Stunden zum Abschließen

Evaluation and Metrics for machine learning in healthcare

2 Stunden zum Abschließen

5 Videos (Gesamt 35 min), 2 Lektüren, 3 Quiz

5 Videos

Introduction to Model Performance Evaluation2m

Overfitting and Underfitting8m

Strategies to Address Overfitting, Underfitting and Introduction to Regularization 5m

Statistical Approaches to Model Evaluation5m

Receiver Operator and Precision Recall Curves as Evaluation Metrics11m

2 Lektüren

Study Guide Module 45m

Citations and Additional Readings5m

3 praktische Übungen

Reflection Exercise 110m

Reflection Exercise 210m

Knowledge Check30m

Bewertungen

4.8

71 Bewertungen

5 stars
81,78 %
4 stars
15,50 %
3 stars
2,32 %
2 stars
0,38 %

Top-Bewertungen von FUNDAMENTALS OF MACHINE LEARNING FOR HEALTHCARE

von II18. Juni 2022

This is the best contents availbale for the new commers to enhance their experties in AI healthcare.

von LS26. Sep. 2020

Interesting and well crafted, it is mostly at an introductory level, but accurate and with many details regarding how to apply ML to healthcare. Worth to follow.

von KK5. Feb. 2021

The course was inspiring and useful for a future career! Congratulations to Professor Matthew Lungren and Assistant Professor Serena Yeung! :)

von KS16. Okt. 2020

Nicely Framed and Executed in a simple language so anyone can catch up earliest.

Alle Bewertungen anzeigen

Über den Spezialisierung AI in Healthcare

Artificial intelligence (AI) has transformed industries around the world, and has the potential to radically alter the field of healthcare. Imagine being able to analyze data on patient visits to the clinic, medications prescribed, lab tests, and procedures performed, as well as data outside the health system -- such as social media, purchases made using credit cards, census records, Internet search activity logs that contain valuable health information, and you’ll get a sense of how AI could transform patient care and diagnoses.

In this specialization, we'll discuss the current and future applications of AI in healthcare with the goal of learning to bring AI technologies into the clinic safely and ethically. This specialization is designed for both healthcare providers and computer science professionals, offering insights to facilitate collaboration between the disciplines. CME Accreditation The Stanford University School of Medicine is accredited by the Accreditation Council for Continuing Medical Education (ACCME) to provide continuing medical education for physicians. View the full CME accreditation information on the individual course FAQ page.

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.
Is this activity accredited for Continuing Medical Education (CME)?
Dates and Duration
Original Release Date: 08/10/2020
Expiration Date: 08/10/2023
Estimated Time to Complete: 11 hours
CME Credits Offered: 11.00
Accreditation
The Stanford University School of Medicine is accredited by the Accreditation Council for Continuing Medical Education (ACCME) to provide continuing medical education for physicians. The Stanford University School of Medicine designates this enduring material for a maximum of 11.00 AMA PRA Category 1 Credits™. Physicians should claim only the credit commensurate with the extent of their participation in the activity.
Disclosures
The Stanford University School of Medicine adheres to ACCME Criteria, Standards and Policies regarding industry support of continuing medical education. There are no relevant financial relationships with ACCME-defined commercial interests for anyone who was in control of the content of this activity.

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

Fundamentals of Machine Learning for Healthcare

Über diesen Kurs

Was Sie lernen werden