185.A83 Machine Learning for Health Informatics
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2019S, VU, 2.0h, 3.0EC, wird geblockt abgehalten

Merkmale

  • Semesterwochenstunden: 2.0
  • ECTS: 3.0
  • Typ: VU Vorlesung mit Übung

Ziele der Lehrveranstaltung

Diese Master Lehrveranstaltung folgt einem forschungsbasierten Lehransatz und diskutiert Methoden zur Unterstützung der menschlichen Intelligenz mit künstlicher Intelligenz zur Lösung von Problemen aus der Medizininformatik. Für die praktische Anwendung setzen wir auf den Industriestandard Python. Die Studierenden sollten sich mit den Besonderheiten medizinischer Daten und grundlegenden Beispielen des automatischen und interaktiven maschinellen Lernens vertraut machen und in der Lage sein mit verschiedenen Methoden typische Projektaufgaben zu programmieren. Ein besonderer Schwerpunkt der 2019 Lehrveranstaltung liegt auf erklärbarer KI, die unmittelbar auf ethische, legale und soziale Fragen des maschinellen Lernens im Gesundheitswesen eingeht. Für aktuelle Information besuchen Sie bitte die Homepage des Kurses!

Inhalt der Lehrveranstaltung

Aktualisierte Informationen finden Sie auf der Kurs-Webseite:
https://hci-kdd.org/machine-learning-for-health-informatics-class-2019

Maschinelles Lernen trifft auf Medizinische Informatik, Einführung in die Problematik der Domäne Medizin, Herausforderungen und zukünftige Entwicklungen; Grundlagen und Besonderheiten biomedizinischer Daten, Informationen und Wissen, Entscheidung, Kognition,  Wahrscheinlichkeit, Unsicherheit, Bayes'sche Statistik, Gaußsche Prozesse;

Der Kurs 2019 konzentriert sich insbesondere auf Datenschutz, Sicherheit, Datensicherheit, ethische und soziale Fragen und insbesondere auf erklärbare KI.

Aufgrund der in der Europäischen Union aufgeworfenen Rechts- und Datenschutzfragen werden transparente Lernalgorithmen in Zukunft wichtig werden, um Entscheidungen transparent, verständlich und rückverfolgbar machen zu können.

Unser Ziel ist es, zu erklären, warum eine Maschinenentscheidung getroffen wurde, und so den Weg für eine erklärbare KI zu ebnen.

Weitere Informationen

ECTS-Aufschlüsselung (Summe=75h, entspricht 3 ECTS, wobei 1 ECTS = 25 h Arbeitsbelastung der Studierenden):

a) Anwesenheit während der Vorlesung 8 x 3 h = 24 h
b) Vorbereitung vor und nach der Vorlesung 8 x 1 h = 8 h
c) Durchfühurng der Programmierarbeiten und Präsentation 28 h + 2 h = 30 h
d) Schriftliche Prüfung inklusive Prüfungsvorbereitung 1 h + 12 h = 13 h

Summe des gesamten Arbeitsaufwands der Studierenden = 75 h

Vortragende

Institut

Leistungsnachweis

Wird auf die Vorkenntnisse der Studierenden abgestimmt und nach Vorlesungsbeginn im Laufe der Lehrveranstaltung bekanntgegeben.

LVA-Anmeldung

Von Bis Abmeldung bis
12.03.2019 17:30 12.03.2019 20:30

Anmeldemodalitäten:

Eintrag in die Lehrveranstaltungsliste am Dienstag, 12.März 2019, 17:30 Uhr

Curricula

StudienkennzahlSemesterAnm.Bed.Info
066 936 Medizinische Informatik

Literatur

Holzinger, A. 2016. Interactive Machine Learning (iML). Informatik Spektrum, 39, (1), 64-68, doi:10.1007/s00287-015-0941-6.

Vorkenntnisse

Interesse am maschinellen Lernen mit Anwendung auf die Medizininformatik und mit besonderem Interesse an Fragen der Privatsphäre, Sicherheit, Datenschutz, ethische und soziale Fragen und an einer erklärbaren K [1], [2]

[1]    Andreas Holzinger (2018): Explainable AI (ex-AI). Informatik-Spektrum, 41, (2), 138-143, doi:10.1007/s00287-018-1102-5.

[2] Andreas Holzinger (2018): Interpretierbare KI: Neue Methoden zeigen Entscheidungswege künstlicher Intelligenz auf. c't Magazin für Computertechnik, 22, 136-141.

Weitere Informationen

Sprache

Englisch