AI赋能临床科研:Python机器学习临床大数据挖掘实战培训班

1.背景知识

2.基于机器学习临床预测模型基本概念

3.基于临床预测模型的应用场景

4.传统临床预测模型与基于机器学习临床预测模型的流程对比介绍

5.基于机器学习临床预测模型的现状与发展趋势

本部分主要带领学员安装和熟悉软件环境及运行模式，围绕真实临床案例进行实际操作，通过案例式教学让学员掌握python语言的基本操作

1.机器学习概述

2.数据准备

2.1数据质量校验

2.1数据分布与趋势探查

2.2数据清洗

3.特征工程

3.1特征变换

3.2特征选择

4.有监督学习与无监督学习

5.机器学习算法常用模型

5.1逻辑回归、KNN、决策树、随机森林、支持向量机、朴素贝叶斯、catboost等

6.模型调参与模型验证

1.乳腺癌测序数据、临床数据联合数据挖掘：

生信数据下载、数据融合、数据筛选、缺失值处理、变量归一化、结局变量提取、one-hot编码、RFE-SVM特征筛选、分类模型构建、超参数搜索运用。通过案例式学习，掌握数据挖掘的流程、套路。

2.机器学习生存模型框架实战：

生存框架完整分析流程；模型性能评价、生存模型比较的AUC折线图表述，IBF折线图模型比较、特征选择、线性生存回归模型、基于岭回归的线性模型；生存树模型实战。

3.数据分析美图秀秀：

类别比较图表、数据关系图表、数据分布图表；特征分析图、ROC_AUC曲线图等

4.集成学习与非集成学习模型构建与对比分析：

baggingboosting、HistGradientBoosting、CatBoost、XGBRF、XGBRF、LGBMC、DecisionTree,RandomForest、Logistic、SVC、MultiomialNB、BernoulliNB、GaussianNB、KNN等。

举例机器学习在临床中的具体应用分析，学员可根据自己所在领域提出临床问题，进行讨论，实现论文及科研项目的设计思路和实现方法