In diesem MOOC werden Sie in fortgeschrittene Techniken des maschinellen Lernens und der Verarbeitung natürlicher Sprache eingeführt, um Informationen aus unstrukturierten Textdokumenten im Gesundheitswesen zu analysieren und zu extrahieren, z. B. aus klinischen Notizen, Radiologieberichten und Entlassungsberichten. Unabhängig davon, ob Sie ein aufstrebender Datenwissenschaftler oder ein Berufseinsteiger im Bereich Datenwissenschaft oder Informationstechnologie im Gesundheitswesen sind, ist es wichtig, dass Sie Ihre Kenntnisse in der Informationsextraktion und -analyse auf dem neuesten Stand halten.

Um in diesem Kurs erfolgreich zu sein, sollten Sie auf den Konzepten aufbauen, die Sie in anderen MOOC-Kursen auf mittlerem Niveau und in den von der University of Michigan angebotenen Specializations in Data Science gelernt haben, so dass Sie in der Lage sind, die Herausforderungen bei der Erkennung medizinischer Entitäten in gesundheitsbezogenen Dokumenten zu vertiefen, klinische Informationen zu extrahieren, Mehrdeutigkeit und Polysemie zu behandeln, um sie mit den richtigen Konzepttypen zu kennzeichnen, und Werkzeuge und Techniken zu entwickeln, um neue Genres von Gesundheitsinformationen zu analysieren. Am Ende dieses Kurses werden Sie in der Lage sein: Identifizieren Sie Text-Mining-Ansätze, die erforderlich sind, um verschiedene Arten von Informationen aus gesundheitsbezogenen Textdaten zu identifizieren und zu extrahieren. Erstellen Sie eine End-to-End-NLP-Pipeline, um medizinische Konzepte aus klinischem Freitext unter Verwendung einer Terminologieressource zu extrahieren. Unterscheiden Sie, wie sich das Training von Deep-Learning-Modellen vom Training traditioneller Machine-Learning-Modelle unterscheidet. Konfigurieren Sie ein Deep-Neural-Network-Modell, um unerwünschte Ereignisse aus Arzneimittelprüfungen zu erkennen. Führen Sie die Vor- und Nachteile von Deep-Learning-Ansätzen auf."