Využitie strojového učenia pri diagnostikovaní chorôb
Garant: Ing. Lukáš Falát, PhD.
Učitelia: Ing. Lucia Pančíková, PhD., Ing. Lukáš Falát, PhD.
Počet študentov: 2 - 6
Dáta sú dôležité a sú všade. Znalostí získané z dát sú využiteľné a prospešné v mnohých oblastiach života, medicínu nevynímajúc. Keďže dnes sa na oblasť predikčnej analytiky začína klásť čoraz väčší dôraz, je predpoklad, že modely vytvorené z týchto dát budú hrať čoraz väčšiu rolu. Tento projekt kladie dôraz na využitie modelov a metód strojového učenia, ktorá sa sústredí na oblasť predikčnej analytiky, t.j. ako s využitím dát vytvoriť modely, ktoré budú schopné predikovať budúci stav. Práve predikčná analytika začína hrať čoraz dôležitejšiu úlohu aj v oblasti medicíny. Dôvodom využívania strojového učenia v medicíne je diagnostika chorôb, a z toho prameniaca efektívnejšia liečba či záchrana života. Podobné modely sa začínajú aplikovať na predikciu rakoviny u pacientov, predikciu cukrovky či infarktu. Samotné praktické vedomosti a zručnosti, ktoré sa študenti na projekte naučia môžu byť aplikované a využité pre tvorbu predikčných modelov v rôznych oblastiach biznis prostredie nevynímajúc.
Harmonogram
1. Teoretické východiská predikčných modelov (lineárna regresia, logistická regresia, príp. rozhodovacie stromy a umelé neurónové siete)
2. Aplikácia uvedených metód a ich využitie (reálne dáta, reálny problém)
3. Tvorba komplexného riešenia pre identifikovaný problém v medicínskej diagnostike s využitím analytiky, dát, programovania a modelovania.
CIEĽ:
Využiť predikčné modelovanie pre efektívnejšiu, rýchlejšiu a presnejšiu diagnostiku vybraných chorôb v medicíne
Naučiť študentov techniky pre získavanie znalostí z rôznych typov dát pomocou
reálnych príkladov a reálnych dát
Presvedčiť študentov o konkurenčnej výhode získanej z modelov strojového učenia v medicíne
Študent bude tiež vedieť ako pracovať s reálnymi dátami, naučí sa využiť tieto
dáta a znalostí z nich získané v podnikovej informatike a biznis sfére.
LITERATÚRA:
J. Chajdiak a kol.: Štatistické metódy v praxi, Bratislava: Statis, 1994
M. Marček: Viacnásobná štatistická analýza dát a modely
časových radov v ekonómii, 2003
D. Marček, M. Marček, L. Pančíková: Ekonometria a soft computing, EDIS, Žilinská univerzita, Žilina, Slovakia, 2008
D. Marček, Umelé neurónové siete a aplikácie, EDIS, Žilinská univerzita, Žilina, 2006.
A. Field, J. Miles, Z. Field: Discovering Statistics Using R, Sage Publications Ltd, 2012James, G., Witten, D., Hastie, T. (2013). An Introduction to Statistical Learning: with Applications in R, Springer.
Bertsimas, D., Freund, R. (2004). Data, Models, and Decisions: The Fundamentals of Management Science, Dynamic Ideas.
Lander, J. (2013). R for Everyone: Advanced Analytics and Graphics,
Addison-Wesley.
Sorensen, H., Ekstrom, C. T. (2014). Introduction to Statistical Data Analysis for the Life Sciences, Second Edition, Chapman and Hall.
Mám záujem o projekt