Data Science Themen in der BiomedizinModulbeschreibung #41114 / Version 4
- 3 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41114 / #4 |
|---|---|
| Gültigkeit | Seit WiSe 2024/25 |
| 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. 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 analysieren. 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 bewertet , 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. 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 analysieren. 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 bewertet , 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
Dieses Seminar wird eine Reihe von Themen im Zusammenhang mit biomedizinischen Datenwissenschaften behandeln. Diese Themen beziehen sich auf die Anwendung der Datenwissenschaft auf Probleme in einer Vielzahl von Wissenschaftsbereichen und können Bildanalyse, Analyse von OMICS-Daten, natürliche Sprache sowie kausales maschinelles Lernen und Präzisionsmedizin umfassen. Das Seminar wird versuchen, ganzheitliche Ansätze für Probleme der biomedizinischen Datenanalyse umfassend zu untersuchen.
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 aus einem Seminar, welches entweder in einem wöchentlichen Rhythmus oder am Ende des Semesters an zwei Tagen durchgeführt wird.
Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus.
Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Die Kursnote setzt sich zusammen aus der Präsentation der Studierenden sowie einem Quiz, das alle Präsentationen des Seminars umfasst.
Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus.
Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Die Kursnote setzt sich zusammen aus der Präsentation der Studierenden sowie einem Quiz, das alle Präsentationen des Seminars umfasst.
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
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| Informatik StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete › Intelligente Systeme › Seminare |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe