A kurzus olyan kulcsfontosságú egészségügyi adatforrásokat mutat be, amelyek bár nem szigorúan vett orvosi adatok, mégis hatékonyan alkalmazhatók az egészségügyi ellátásszervezésben és az egészségtudományi kutatásokban. A résztvevők megismerkedhetnek az adatforrások főbb típusaival, az adatgyűjtés módszertanával, valamint a mérés és gyűjtés során esetlegesen felmerülő torzításokkal. A képzés kitér az adatgyűjtés és -elemzés etikai vonatkozásaira is. A gyakorlati feladatok során a résztvevők feltérképezik a lehetséges adatforrásokat és az ezekkel kapcsolatos gyakori kihívásokat, valamint a gyakorlatban is alkalmazzák a kiválasztott elemzőeszközöket, beleértve az adatvizualizáció rövid bemutatását a Power BI segítségével.

A "Deep learning for unstructured medical data" című rövid kurzus olyan fejlett gépi tanulási módszereket mutat be, amelyek alkalmasak komplex egészségügyi adatok – például orvosi képalkotó felvételek, klinikai feljegyzések és genomikai szekvenciák – elemzésére. A résztvevők megismerkednek a legfontosabb mélytanulási architektúrákkal, köztük a képelemzésre használt konvolúciós neurális hálózatokkal (CNN), valamint az orvosi célú természetes nyelvfeldolgozásban (NLP) alkalmazott rekurrens neurális hálózatokkal (RNN) és transzformerekkel. A képzés kiemelt figyelmet fordít a valós felhasználási területekre, mint például a betegségdiagnosztika, a betegkimenetel előrejelzése és a személyre szabott kezelési tervek kidolgozása. A népszerű keretrendszereket – például a TensorFlow-t és a Kerast – alkalmazó gyakorlati foglalkozások során a résztvevők olyan készségeket sajátítanak el, amelyek segítségével hatékonyan kezelhetik a strukturálatlan adatokat.

Ez az előadássorozat a gépi tanulás alapvető fogalmait ismerteti, különös tekintettel az orvosbiológiai alkalmazásokra. Az elméleti szekciók olyan alapvető modelleket tárgyalnak, mint a lineáris és logisztikus regresszió, valamint bevezetést nyújtanak a neurális hálózatok világába. A gyakorlati foglalkozások során a résztvevők közvetlen tapasztalatot szerezhetnek a modellek implementálásában a Python és a kapcsolódó könyvtárak (scikit-learn, PyTorch, PyTorch Geometric) segítségével. A hallgatók valós orvosbiológiai adathalmazokkal dolgoznak majd, így betekintést nyerhetnek a modellek tanításának, kiértékelésének és értelmezésének folyamatába. Egy kiegészítő szekció a gráf neurális hálózatokat és azok orvosbiológiai kutatásokban betöltött szerepét járja körül.

A kurzus célja, hogy a résztvevők elsajátítsák a komplex hálózatok viselkedésének elemzéséhez, modellezéséhez és előrejelzéséhez szükséges készségeket. A hallgatók megismerkednek a gráfok és hálózatok alapfogalmaival, matematikai leírásával, valamint olyan kulcsfontosságú mutatókkal, mint a közelség (closeness), a közöttiség (betweenness) és a PageRank. A tananyag tárgyalja a hálózatok univerzális tulajdonságait – beleértve a kisvilág-hatást, a skálafüggetlenséget és a klasztereződést –, valamint olyan alapvető hálózati modelleket, mint az Erdős–Rényi- és a Barabási–Albert-modell. A résztvevők tanulmányozzák a hálózatok robusztusságát, a perkolációs átmeneteket, valamint az információ- és járványterjedés dinamikáját. A képzés bevezetést nyújt a hálózati motívumok és a közösségkereső (community detection) módszerek világába is a rejtett struktúrák feltárása érdekében, különös hangsúlyt fektetve az orvosbiológiai hálózatokra és azok alkalmazására. Az elméleti ismereteket gyakorlati elemzések és modellezési feladatok mélyítik el.