Klausur

Diese Vorlesung umfasst verschiedene Bereiche der medizinischen Datenwissenschaft. Data Science oder statistische Methoden des maschinellen Lernens haben das Potenzial, die persönliche Gesundheitsversorgung in den kommenden Jahren zu verändern. Fortschritte in den Technologien haben große biologische Datensätze erzeugt. Um Erkenntnisse zu gewinnen, die dann zur Verbesserung der Vorsorge oder Behandlung von Patienten genutzt werden können, müssen diese großen Daten so gespeichert werden, dass eine schnelle Abfrage relevanter Merkmale der Daten und folglich die Erstellung statistischer Modelle, die die Abhängigkeiten zwischen Variablen darstellen, möglich ist. Diese Modelle können dann genutzt werden, um neue biomedizinische Prinzipien abzuleiten, Beweise für oder gegen bestimmte Hypothesen zu erbringen und um medizinischen Fachleuten in ihrem Entscheidungsprozess zu unterstützen.

Spezifische Themen sind:
- Gewinnung neuer Erkenntnisse aus medizinischen Daten
- Modellierung von Unsicherheiten in medizinischen datenwissenschaftlichen Modellen
- Bereitstellung von medizinischen Erkenntnissen durch interpretierbare Entscheidungsunterstützungssysteme

Methodisch werden in der Vorlesung Methoden für GWAS-Analysen (z.B. LMMs), Methoden für Sequenzanalysen (z.B. Kernel-Methoden), Methoden für "small n problems" (z.B. Domain Adaptation, Transfer Learning und Multitask Learning), Methoden zur Datenintegration (Advanced Unsupervised Learning Methoden), Methoden zum Lernen probabilistischer Machine Learning Modelle (z.B. graphische Modelle) vorgestellt, Methoden für große Datensätze (z. B. Deep-Learning-Modelle).

Die Studierenden sind in der Lage, die wichtigsten Begriffe, Methoden und Theorien im Bereich der Datenwissenschaft mit Schwerpunkt auf der Analyse biomedizinischer Daten zu erklären. Sie sind in der Lage zu entscheiden, welche Art von Methoden für welche Art von Datensätzen geeignet sind. Die Studierenden können Unzulänglichkeiten von State-of-the-Art-Methoden kritisch reflektieren und eventuell Ideen zur Erweiterung oder Verbesserung der Methoden entwickeln.

Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical
Learning, Springer Series in Statistics.
Further books will be announced in the first lecture. / recommended: Machine learning: theory and algorithms or Introduction to Statistical
Machine Learning for Bioinfos and Medicine Infos