به پلتفرم آموزشی همه‌جانبه ما که در آن دنیای پزشکی و هوش مصنوعی به هم نزدیک می‌شوند، خوش آمدید! آیا آماده سفری هستید که در آن چالش‌های پزشکی و حوزه سلامت از طریق قدرت برنامه‌نویسی پایتون با استفاده از الگوریتم‌های یادگیری ماشین و یادگیری عمیق مورد بررسی قرار می‌گیرد؟ به ما بپیوندید تا به بررسی کاربردهای نوین هوش مصنوعی در حوزه سلامت، از سطح مقدماتی تا پیشرفته و سپس تخصصی، بپردازیم.

این برنامه آموزشی به نحوی طراحی شده است، تا متقاضیان در هر سطحی بتوانند در آن شرکت کنند. چه یک مبتدی مشتاق درک اصول اولیه باشید، یا یک متخصص باتجربه که به دنبال جابجایی مرزهای نوآوری است؛ مجموعه جامع ما شما را با ابزارها و دانش مورد نیاز برای پیشرفت در این زمینه پویا مجهز می کند.

با استفاده از پتانسیل گسترده و متنوع مجموعه داده‌های پزشکی و پیشرفت روزافزون مدل‌های ML و DL، پروژه‌های زیادی از تشخیص بیماری‌ها (Diagnosing diseases) تا پیش‌بینی نتایج بیمار (Predicting patient outcomes)، طراحی شده است؛ تا با استفاده از تمرین‌های عملی و کد محور از مرزهای تئوری فراتر رفته و بینش‌ عمیقی از چالش‌های دنیای واقعی به آموزنده انتقال داده شود.

اما این پایان ماجرا نیست! بخشی از جامعه آموزشی پر جنب و جوش ما شوید که در آن علاقه‌مندان و متخصصان همفکر برای تبادل ایده‌ها، انجام پروژه‌های تحقیقاتی و شرکت در چالش‌ها و مسابقات بین‌المللی به همکاری با یک‌دیگر می‌پردازند. ما با هم آینده مراقبت‌های بهداشتی با استفاده از هوش مصنوعی را از طریق آموزش، نوآوری و اشتیاق مشترک در این شکل می دهیم.

راه ارتباطی با ما

 آزمایشگاه هوش مصنوعی:imrl.ut.ac.ir

ایمیل دکتر علیرضا رضایی:arrezaee@ut.ac.ir 

https://github.com/arrezaee

ایمیل امیرحسین زبیری: zobeiria1@gmail.com

• سرفصل‌های آموزش مقدماتی

فصل اول: تعاریف

بخش 1: مقدمه‌ای بر انواع مختلف داده‌های پزشکی

بخش 2: بررسی محیط‌های کد نویسی با پایتون

فصل دوم: الگوریتم‌ های رگر سیون

بخش 3: رگرسیون خطی (Linear Regression)

بخش 4: رگرسیون لجستیک (Logistic Regression)

بخش 5: رگرسیون ریج (Ridge Regression)

بخش 6: رگرسیون لاسو (Lasso Regression)

فصل سوم: الگوریتم‌های درخت تصمیم و بهبود یافته‌های آن

بخش 8: درخت دسته‌بندی و رگرسیون (Classification and Regression Trees - CART)

بخش 9: ID3

بخش 10: جنگل تصادفی (Random Forest)

بخش 11: Gradient Boosting (XGBoost)

بخش 12: LightGBM

فصل چهارم: سایر الگوریتم‌ها

بخش 14: ماشین بردار پشتیبان (Support Vector Machine - SVM)

بخش 15: k نزدیک‌ترین همسایه (K-Nearest Neighbors)

بخش 16: بیز ساده (Naïve Bayes)