Big Data Analytics in Health

• Zrozumienie koncepcji uczenia maszynowego i eksploracji danych
• Doświadczenie w programowaniu na poziomie zaawansowanym (Python, Java, Scala)
• Biegła znajomość danych i procesów ETL

Analityka Big Data obejmuje proces badania dużych ilości różnorodnych zestawów danych w celu odkrycia korelacji, ukrytych wzorców i innych przydatnych informacji.

Branża medyczna dysponuje ogromnymi ilościami złożonych, heterogenicznych danych medycznych i klinicznych. Zastosowanie analizy dużych zbiorów danych na danych dotyczących zdrowia stanowi ogromny potencjał w uzyskiwaniu wglądu w celu poprawy świadczenia opieki zdrowotnej. Jednak ogrom tych zbiorów danych stanowi ogromne wyzwanie w analizach i praktycznych zastosowaniach w środowisku klinicznym.

W tym prowadzonym przez instruktora szkoleniu na żywo (zdalnie) uczestnicy dowiedzą się, jak przeprowadzić analizę dużych zbiorów danych w zakresie zdrowia, przechodząc przez serię praktycznych ćwiczeń laboratoryjnych na żywo.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalowanie i konfigurowanie narzędzi do analizy dużych zbiorów danych, takich jak Hadoop MapReduce i Spark.
• Zrozumienie charakterystyki danych medycznych
• Stosowanie technik big data do przetwarzania danych medycznych
• Badanie systemów i algorytmów big data w kontekście aplikacji zdrowotnych

Publiczność

• Programiści
• Naukowcy ds. danych

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna.

Uwaga

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

Wprowadzenie do Big Data Analityka w zdrowiu

Przegląd Big Data technologii analitycznych

• Apache Hadoop MapReduce
• Apache Spark

Instalacja i konfiguracja Apache Hadoop MapReduce

Instalacja i konfiguracja Apache Spark

Korzystanie z modelowania predykcyjnego dla danych zdrowotnych

Korzystanie z Apache Hadoop MapReduce dla danych zdrowotnych

Wykonywanie fenotypowania i grupowania danych dotyczących zdrowia

• Metryki oceny klasyfikacji
• Metody zespołowe klasyfikacji

Używanie Apache Spark do danych zdrowotnych

Praca z ontologią medyczną

Korzystanie z analizy wykresów danych dotyczących zdrowia

Redukcja wymiarowości danych zdrowotnych

Praca z metrykami podobieństwa pacjentów

Rozwiązywanie problemów

Podsumowanie i wnioski