Откривање на знаење, предвидување и прогноза користејќи биомедицински податоци

1.

Наслов на наставниот предмет

Откривање на знаење, предвидување и прогноза користејќи биомедицински податоци

Knowledge discovery, prediction and prognosis using biomedical data

2.

Код

m23_s_058

3.

Студиска програма

Пресметување во облак, Data science in computer science and engineering, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Едукација со ИКТ, Еко-информатика, Интелигентни системи, Интернет технологии и сајбер безбедност, Компјутерски науки, Статистика и аналитика на податоци, Софтвер за вградливи системи, Пресметување во облак, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Статистика и аналитика на податоци, Софтверско инженерство, Софтверско инженерство,

4.

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Факултет за информатички науки и компјутерско инженерство

5.

Степен (прв, втор, трет циклус)

Втор циклус

6.

Академска година / семестар

5 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

проф. д-р Дејан Ѓорѓевиќ проф. д-р Ѓорѓи Маџаров ворн. проф. д-р Иван Китановски проф. д-р Ивица Димитровски ворн. проф. д-р Катарина Тројачанец Динева проф. д-р Сузана Лошковска

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):

Напредокот во медицината и генетиката, како и брзата еволуција на технологијата, континуирано го зголемуваат количеството на генерирани биомедицински податоци во клиничките и истражувачките центри. Се произведуваат различни типови податоци, вклучувајќи медицински слики, генетски маркери, резултати од когнитивни тестови, резултати од крв итн. Сите тие треба да бидат ефикасно организирани, складирани, анализирани и репрезентирани со цел да се обезбеди полесен и посоодветен пристап до нив, како и да се овозможи употреба од тие податоци за откривање на знаење, предвидување и прогноза. Ова може да ги поддржи, па дури и да ги подобри дијагностичките и терапевтските процеси. Брзиот развој во областа на машинското учење има значајно влијание во биомедицинскиот домен, каде големата разновидност на задачи и типови податоци отвора простор за примена на алгоритми за машинско учење и користење на нивните придобивки. Курсот има за цел да им овозможи на студентите да стекна способност да поставуваат и одговараат значајни клинички прашања, да ги користат најрелевантните методи и примени на ML во биомедицината и здравството, манипулација и анализа на (големи) податочни множества, означување и индексирање на неструктурирана содржина, откривање на клинички релевантно знаење, интелигентно инженерство на обележја, идентификување кои податоци и алгоритми обезбедуваат најдобро предвидување и/или прогноза, да овозможат поддршка во процесот на дијагностицирање и терапевтски третмани на различни начини.

11.

Содржина на предметната програма:

Организација и употреба на клинички податоци. Стратегии за откривање знаење од медицински набљудувања. Медицински слики - како основен дел од многу медицински дисциплини. Алгоритми и стратегии засновани на и соодветни за медицински слики, предизвици и можни решенија. Временски серии од структурирани податоци. Извлекување клинички моќно знаење од структурирани медицински временски серии, справување со предизвиците, анализирање и наоѓање можни решенија. Податоци што недостасуваат. Дефинирање на фактори на ризик и употреба на информации за развивање препораки за превенција. Дијагноза и прогноза - наоѓање дијагностички биомаркери и биомаркери за прогноза. Анализа на реакција на третманот.

12.

Методи на учење:

Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа, учење во електронско опкружување (форуми, консултации).

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

60 + 0 + 45 + 45 + 30 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

60 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

0 часови

16.

Други форми на активности

16.1.

Проектни задачи

45 часови

16.2.

Самостојни задачи

45 часови

16.3.

Домашно учење

30 часови

17.

Начин на оценување

17.1.

Тестови

15 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

45 бодови

17.3.

Активности и учење

15 бодови

17.4.

Завршен испит

0 бодови

18.

Критериуми за оценување (бодови/ оценка)

до 50 бода

5 (пет) (F)

од 51 до 60 бода

6 (шест) (E)

од 61 до 70 бода

7 (седум) (D)

од 71 до 80 бода

8 (осум) (C)

од 81 до 90 бода

9 (девет) (B)

од 91 до 100 бода

10 (десет) (A)

19.

Услов за потпис и полагање на завршен испит

NULL

20.

Јазик на кој се изведува наставата

македонски и англиски

21.

Метод на следење на квалитетот на наставата

Механизам на интерна евалуација и анкети

22.

Литература

22.1.

Задолжителна литература

22.2.

Дополнителна литература