Curriculum

Actually, you are supposed to see a video here. To display this content (source: www.xyz.de), please click the "Accept" button below. Please note that by viewing the video, data might be transmitted to third parties or cookies may be stored.

For further information see our privacy policy.

Der Lehrplan von TüKITZMed zielt darauf ab, dass die Teilnehmer*innen die Terminologie und Methoden des maschinellen Lernens (ML) von Grund auf erlernen,

um Anwendungsmöglichkeiten in der Medizin zu verstehen,
um Ergebnisse von ML Methoden bewerten zu können,
oder um in Zukunft selbst ML Methoden anwenden zu können.

In den Bereichen der Mathematik und des maschinellen Lernens, können die Teilnehmer*innen, je nach individuellen Vorkenntnissen, Kurse mit unterschiedlichem Schwierigkeitsgrad belegen. Ein weiterer Schwerpunkt des Curriculums befasst sich mit der Frage, inwieweit Methoden des maschinellen Lernens bereits in der medizinischen Forschung und im klinischen Alltag eingesetzt werden.

Wir halten es für wichtig, Medizinstudierende über die sozialen und ethischen Implikationen der Anwendung von maschinellem Lernen auf medizinische Daten aufzuklären. Dazu gehört auch der professionelle Umgang mit medizinischen Daten (Data Literacy).

Die Teilnehmer*innen werden auf ihrem Lernweg durch Übungen und praktische Einheiten unterstützt.

Mehr Details

Die nachstehende Tabelle gibt einen detaillierteren Überblick über die behandelten Themen aus den einzelnen Bereichen. Bitte beachten Sie, dass diese Liste nicht vollständig ist und aktualisiert wird, sobald weitere Lerninhalte erstellt werden.

Mathematics	Linear algebra Analytic geometry Vector calculus Probability theory, statistics & distributions
Machine Learning (ML)	Unsupervised Learning Clustering k-Means algorithm Dimensionality reduction Principal component analysis Supervised Learning Classification & regression Logistic regression k-Nearest neighbors algorithm Support vector machines Decision trees Deep Learning Introduction to neural networks Multilayer neural networks How neural networks learn
Applications of ML to medical data	Medical image reconstruction Medical image segmentation
Ethical and social implications & data literacy	Doctor - patient - AI: Implications for shared decision-making Ethical aspects applying machine learning to clinical data Information security of AI systems Medical informatics initiative

External content