医学技术研究院

    1 课程整体情况

截止目前，人类对于学习有多种定义的方式，一般泛指获取知识、形成技能、获得适应环境甚至改变环境能力的过程。机器学习过程泛指从经验观测数据中，获得事物内在模式或规律，并自我改进的过程。针对健康医疗数据的独有特点，机器学习方法需要通过自我改进与修正的方式，适应并服务于健康医疗数据的分析。本课程介绍并讲授机器学习基础，并着重讲授自己学习方法如何通过“自我改进与修正”，适应于健康医疗数据分析。旨在提升数据与批判学习思维，希望学生带着临床中的科研问题听课并参与实操，激发科研兴趣。   

本课程需要学生了解：（i）机器学习于健康医疗数据分析的意义、流程与方法框架；（ii）机器学习基础框架与评价准则；（iii）机器学习方法。需要学生掌握主流的健康医疗数据分析范式，掌握如何改进并修正机器学习方法于健康医疗数据的分析过程。

本课程有如下特色：1）此课程属于学科交叉方法类课程，采取循序渐进的讲授策略，需考虑到学生的数理基础。2）结合理论与实践。鼓励学生带着各自临床的问题到课上，应用所讲授的方法进行实操与讨论。3）在讲授过程中，降低使用幻灯片的占比，提升白板书写的占比，注重教师与学生的互动性，深入浅出。

结课后需回答的核心问题：

1- 什么是学习过程？如何客观科学评价机器学习方法于健康医疗数据分析？

2- 机器学习方法可分为几类？

3- 传统机器学习方法，与面向健康医疗数据的机器学习方法的关系是什么，有什么异同？

4- 如何实施可解释、可量化且可信的机器学习项目？

     3 其他

讲授团队：陈庆超，北京大学健康医疗大数据国家研究院助理教授。个人主页请见：qchenferv.github.io

考核方式：

总成绩 = 课堂表现 20% + 演讲汇报40% + 研究方案报告 40%

1-课堂表现：出勤率、课堂提问与互动情况。

2-演讲汇报：根据所学知识，结合给定或者感兴趣的课题内容，以单人或两人分组合作的方式，进行一次领域论文的总结与复现，并进行报告演讲其发现。

3-研究方案报告：根据所学知识，结合给定或者感兴趣的课题内容与方向，以上述形式提交课题报告，阐述其问题设置与发现结果。