Το μάθημα Τεχνητή Νοημοσύνη και Βαθιά Μάθηση στην Υγεία (Artificial Intelligence and Deep Learning in Healthcare) στοχεύει στην εκμάθηση βασικών εννοιών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης, και την εφαρμογή τους σε ιατρικά δεδομένα. Δίνεται έμφαση σε δεδομένα που έχουν μορφή πίνακα (tabular data), ενώ εξετάζονται διάφορες τεχνικές μηχανικής μάθησης συμπεριλαμβανομένης και της βαθιάς μάθησης με Τεχνητά Νευρωνικά Δίκτυα. Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/τριες θα κατέχουν τις βασικές θεωρητικές γνώσεις γύρω από τεχνικές μηχανική μάθησης και την εφαρμογή τους σε συστήματα Τεχνητής Νοημοσύνης στην υγεία, καθώς και εξοικείωση με σύγχρονα περιβάλλοντα λογισμικού όπως το scikit-learn και το Tensorflow/Keras.
Εισαγωγή στην Τεχνητή Νοημοσύνη και παραδείγματα εφαρμογών στην Υγεία
Βασικές έννοιες της Μηχανικής Μάθησης – τύποι προβλημάτων, εμπειρία, εργασίες, μετρικές επίδοσης
Απλή και πολλαπλή γραμμική παλινδρόμηση και κανονικές εξισώσεις
Εισαγωγή στο περιβάλλον scikit-learn
Γραμμική παλινδρόμηση και εκτίμηση μέγιστης πιθανοφάνειας
Προετοιμασία δεδομένων: Κανονικοποίηση, τυποποίηση, κωδικοποίηση κατηγορικών και κυκλικών μεταβλητών
Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) πολλαπλών επιπέδων
Κρυφά επίπεδα και συναρτήσεις ενεργοποίησης
Αρχικοποίηση παραμέτρων ΤΝΔ και συναρτήσεις απώλειας
Εκπαίδευση ΤΝΔ με τον αλγόριθμο backpropagation
Εισαγωγή στο περιβάλλον Tensorflow/Keras
Χωρητικότητα και γενίκευση σε προβλήματα μηχανικής μάθησης
Τεχνικές ομαλοποίησης για τον έλεγχο χωρητικότητας
Μέθοδοι κατηγοριοποίησης Bayes
Εκτίμηση κατανομής πυκνότητας πιθανότητας
Μέθοδοι κατηγοριοποίησης k-NN
Εργασία με πρακτική εφαρμογή σε σύνολα δεδομένων υγείας