Data Science Themen in der BiomedizinModulbeschreibung #41114 / Version 2
- 3 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v4)
| Modul / Version | #41114 / #2 |
|---|---|
| Gültigkeit | WiSe 2023/24 – WiSe 2023/24 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Haufe, Stefan |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML) |
Kontakt
| Sekretariat | MAR 4-4 |
|---|---|
| Ansprechpartner*in | Zhumagambetov, Rustam |
| E-Mail-Adresse | rustam.zhumagambetov@campus.tu-berlin.de |
| Webseite | http://tu.berlin/uniml |
Lernergebnisse
Wissen:
Die Studierenden verfügen über ein vertieftes Verständnis biomedizinischer Konzepte und Terminologien, die im Gesundheitswesen und in der medizinischen Forschung verwendet werden, über die Grundsätze und neuesten Entwicklungen des maschinellen Lernens und des Deep Learning sowie darüber, wie maschinelle Lernmethoden auf die biomedizinische Datenanalyse angewendet werden können. Die Studierenden werden mit verschiedenen Arten von Datenquellen wie elektronischen Gesundheitsakten, genomischen Daten und Bildgebungsdaten, die in der biomedizinischen Forschung verwendet werden, sowie mit deren Stärken und Grenzen vertraut gemacht. Darüber hinaus sind die Studierenden durch diesen Kurs mit den Prinzipien vertraut, die der statistischen Inferenz und dem Kausalschluss in der medizinischen Forschung zugrunde liegen.
Fertigkeiten:
Die Studierenden lernen, wie sie Ergebnisse und Erkenntnisse aus biomedizinischen Veröffentlichungen effektiv kommunizieren können. Sie erwerben oder verfeinern außerdem die Fähigkeit, die Literatur eines genau umrissenen Fachgebiets selbstständig zu sichten und systematisch zu strukturieren, um eine vorgegebene Fragestellung zu bearbeiten, und sammeln Erfahrungen in der Präsentation der Ergebnisse vor einem kritischen Publikum sowie in der Teilnahme an wissenschaftlichen Diskussionen.
Kompetenzen:
Die Studierenden entwickeln die Fähigkeit, Pipelines für maschinelles Lernen zur Analyse biomedizinischer Daten zu entwerfen. Die Studierenden lernen, wie man verschiedene Data-Science-Tools und -Techniken einsetzt, um Erkenntnisse aus biomedizinischen Daten zu gewinnen, einschließlich der Vorverarbeitung von Daten, der Auswahl von Merkmalen und der Visualisierung von Daten. Die Studierenden entwickeln Fähigkeiten zum kritischen Denken, um die Qualität von Daten und die Angemessenheit von Methoden des maschinellen Lernens für spezifische medizinische Probleme zu bewerten. Sie lernen, wie man Experimente entwirft, Ergebnisse interpretiert und Schlussfolgerungen aus datengestützten Analysen zieht. Die Studierenden werden auch in der Lage sein, die ethischen und rechtlichen Anforderungen und Auswirkungen des Einsatzes von maschinellem Lernen in der Medizin in Bezug auf Aspekte wie Datenschutz, informierte Zustimmung und Verzerrungen in Algorithmen zu beurteilen.
Die Studierenden verfügen über ein vertieftes Verständnis biomedizinischer Konzepte und Terminologien, die im Gesundheitswesen und in der medizinischen Forschung verwendet werden, über die Grundsätze und neuesten Entwicklungen des maschinellen Lernens und des Deep Learning sowie darüber, wie maschinelle Lernmethoden auf die biomedizinische Datenanalyse angewendet werden können. Die Studierenden werden mit verschiedenen Arten von Datenquellen wie elektronischen Gesundheitsakten, genomischen Daten und Bildgebungsdaten, die in der biomedizinischen Forschung verwendet werden, sowie mit deren Stärken und Grenzen vertraut gemacht. Darüber hinaus sind die Studierenden durch diesen Kurs mit den Prinzipien vertraut, die der statistischen Inferenz und dem Kausalschluss in der medizinischen Forschung zugrunde liegen.
Fertigkeiten:
Die Studierenden lernen, wie sie Ergebnisse und Erkenntnisse aus biomedizinischen Veröffentlichungen effektiv kommunizieren können. Sie erwerben oder verfeinern außerdem die Fähigkeit, die Literatur eines genau umrissenen Fachgebiets selbstständig zu sichten und systematisch zu strukturieren, um eine vorgegebene Fragestellung zu bearbeiten, und sammeln Erfahrungen in der Präsentation der Ergebnisse vor einem kritischen Publikum sowie in der Teilnahme an wissenschaftlichen Diskussionen.
Kompetenzen:
Die Studierenden entwickeln die Fähigkeit, Pipelines für maschinelles Lernen zur Analyse biomedizinischer Daten zu entwerfen. Die Studierenden lernen, wie man verschiedene Data-Science-Tools und -Techniken einsetzt, um Erkenntnisse aus biomedizinischen Daten zu gewinnen, einschließlich der Vorverarbeitung von Daten, der Auswahl von Merkmalen und der Visualisierung von Daten. Die Studierenden entwickeln Fähigkeiten zum kritischen Denken, um die Qualität von Daten und die Angemessenheit von Methoden des maschinellen Lernens für spezifische medizinische Probleme zu bewerten. Sie lernen, wie man Experimente entwirft, Ergebnisse interpretiert und Schlussfolgerungen aus datengestützten Analysen zieht. Die Studierenden werden auch in der Lage sein, die ethischen und rechtlichen Anforderungen und Auswirkungen des Einsatzes von maschinellem Lernen in der Medizin in Bezug auf Aspekte wie Datenschutz, informierte Zustimmung und Verzerrungen in Algorithmen zu beurteilen.
Lehrinhalte
Zu den geplanten Themen gehören:
- Einführung in data science in den biomedizinischen Wissenschaften
- Datenverarbeitung und -bereinigung
- Ausgewählte Probleme der biomedizinischen Bildanalyse
- Ausgewählte Probleme bei der Analyse von genomischen und anderen OMICS- sowie molekularen Daten
- Natürliche Sprachverarbeitung (NLP) und ausgewählte Anwendungen in der biomedizinischen Forschung
- Kausales maschinelles Lernen
- Klinische Entscheidungsunterstützungssysteme
- Präzisionsmedizin und personalisierte Medizin
- Datenschutz und Datensicherheit in der biomedizinischen Forschung
- Biases und Fairness in ML-Modellen für die biomedizinische Forschung
- Aufkommende Trends und Technologien in der biomedizinischen Datenwissenschaft
- Einführung in data science in den biomedizinischen Wissenschaften
- Datenverarbeitung und -bereinigung
- Ausgewählte Probleme der biomedizinischen Bildanalyse
- Ausgewählte Probleme bei der Analyse von genomischen und anderen OMICS- sowie molekularen Daten
- Natürliche Sprachverarbeitung (NLP) und ausgewählte Anwendungen in der biomedizinischen Forschung
- Kausales maschinelles Lernen
- Klinische Entscheidungsunterstützungssysteme
- Präzisionsmedizin und personalisierte Medizin
- Datenschutz und Datensicherheit in der biomedizinischen Forschung
- Biases und Fairness in ML-Modellen für die biomedizinische Forschung
- Aufkommende Trends und Technologien in der biomedizinischen Datenwissenschaft
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Topics in Biomedical Data Science | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Topics in Biomedical Data Science (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Modul besteht derzeit aus einem Seminar. Zu Beginn des Semesters wählen die Studierenden ein Thema auf der Grundlage einer bereitgestellten Sammlung von Veröffentlichungen.
Während des Semesters machen sich die Studierenden mit dem Thema vertraut und bereiten eine Präsentation vor, wobei sie sich regelmäßig mit dem ihnen zugewiesenen Betreuer beraten.
Am Ende des Semesters halten die Studierenden eine Präsentation im Rahmen eines Blockseminars. Die Präsentationen der Studierenden werden von kurzen Vortragsabschnitten umrahmt, die in die vorgestellten Themen einführen, sie kontextualisieren und miteinander verbinden. Jeder Kursabschnitt enthält Diskussionsphasen, in denen eine aktive Beteiligung gefördert wird. Die Studierenden müssen auch an einem Quiz am Ende des Seminars teilnehmen.
Während des Semesters machen sich die Studierenden mit dem Thema vertraut und bereiten eine Präsentation vor, wobei sie sich regelmäßig mit dem ihnen zugewiesenen Betreuer beraten.
Am Ende des Semesters halten die Studierenden eine Präsentation im Rahmen eines Blockseminars. Die Präsentationen der Studierenden werden von kurzen Vortragsabschnitten umrahmt, die in die vorgestellten Themen einführen, sie kontextualisieren und miteinander verbinden. Jeder Kursabschnitt enthält Diskussionsphasen, in denen eine aktive Beteiligung gefördert wird. Die Studierenden müssen auch an einem Quiz am Ende des Seminars teilnehmen.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Ein BSc-Abschluss in Informatik wird empfohlen. Der erfolgreiche Abschluss eines einführenden Moduls über ML wie "Machine Learning I"
oder "Maschinelle Intelligenz I" ist empfehlenswert. Programmierkenntnisse in mindestens einer Sprache (z. B. Matlab, Python, R) sind empfehlenswert.
oder "Maschinelle Intelligenz I" ist empfehlenswert. Programmierkenntnisse in mindestens einer Sprache (z. B. Matlab, Python, R) sind empfehlenswert.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte pro Element |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Online-Quiz | 50 | schriftlich | 45 min |
| Präsentation | 50 | schriftlich | 30 min |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Modulnote wird berechnet auf der Grundlage von
1. Die Qualität der Präsentation (50%)
2. Die Leistung in einem Online-Quiz (50%).
1. Die Qualität der Präsentation (50%)
2. Die Leistung in einem Online-Quiz (50%).
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 16.
Anmeldeformalitäten
Studenten können sich in MOSES für den Kurs anmelden.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe