Высшая школа экономики анализ данных в биологии и медицине
Обновлено: 07.07.2024
В связи с масштабным развитием технологий в области наук о живых системах, современная биология ежегодно накапливает огромные массивы данных. Для их обработки необходимо грамотное владение компьютерными методами и специальными алгоритмами. Ввиду этого ежегодно возрастает спрос на специалистов в области вычислительной биологии, способных применять математический аппарат для решения биологических и медицинских задач. Выпускники программы получат междисциплинарное образование, необходимое для анализа медико-биологических данных.
Варианты обучения
Условия поступления
Английский язык
квалификационный экзамен - тестирование + аудирование
Портфолио
Работодатели-партнеры
По словам руководителя кафедры и президента ГК InfoWatch Натальи Касперской, здесь будут готовить выпускников с фундаментальными навыками проектирования, разработки и тестирования ПО для защиты организаций от внутренних угроз информационной безопасности, предотвращения утечек корпоративной информации, защиты предприятий от кибератак, а также угроз, исходящих от интернета вещей.
Направление: МАТЕМАТИКА И МЕХАНИКА
Уровень: Магистратура
Предмет: Прикладная математика и информатика
Код: 01.04.02
Документ об образовании, степень или квалификация: Магистр по направлению "Прикладная математика и информатика"
Язык обучения: русский, английский
Форма обучения: Очная
Продолжительность: 2 года
Возможность бесплатного обучения: есть
Стоимость: 390 000 руб.
Мы в WeChat
Курс охватывает все основные статистические концепции. В первой половине курса слушатели знакомятся с основными понятиями из математической статистики и нарабатывают необходимый для их понимания бэкграунд из теории вероятностей. Слушатели научатся делать описательный анализ данных, визуализировать данные и исследовать линейные взаимосвязи.
Вторая часть посвящена более продвинутым темам: параметрическим и непараметрическим тестам, принципу проверки статистических гипотез, а также построению прогностических моделей на основе линейной и логистической регрессии. Кроме того, в течение курса демонстрируется представление результатов анализа данных в графическом виде: рассматриваются как самые простые и классические методы визуализации, так и более сложные.
Формат
Каждая неделя курса состоит из теоретического блока и практической части. Особенность практической части заключается в том, что она реализуется сразу с использованием двух инструментов: Google Sheets и языка программирования Python. Можно научиться реализации изученных методов с применением обоих инструментов или выбрать один.
Требования
Для прохождения данного курса не требуется специальная математическая подготовка, поэтому курс подойдет для слушателей любого уровня.
- Google Sheets
- MS Office (2016 или 2019 года)
- Anaconda (Individual Edition)
Программа курса
- Введение в статистику и работа с данными
- Генеральная совокупность и выборка. Частоты. Распределения.
- Описательные статистики: меры центральной тенденции и разброса
- Z-распределение и его свойства
- Корреляция
- Визуализация данных: часть 1
- Повторение
- Визуализация данных: часть 2
- Введение в статистику выводов: постановка гипотез
- Применение параметрических критериев
- Непараметрические тесты
- Линейная регрессия
- Логистическая регрессия
- Повторение
Результаты обучения
- Слушатель знает основные понятия статистики и умеет ими оперировать.
- Слушатель умеет загружать и исследовать данные в выбранном ПО.
- Слушатель умеет проводить описательный анализ данных.
- Слушатель умеет выбирать корректный тип визуализации и визуализировать данные.
- Слушатель умеет определять тип распределения по визуализации и интерпретировать его.
- Слушатель умеет определять силу и направление корреляции по коэффициенту и визуализации. Умеет интерпретировать корреляцию в данных.
- Слушатель умеет построить линейный тренд в данных и интерпретировать его уравнение.
- Слушатель умеет поставить гипотезу, выбрать критерий значимости и корректный параметрический или непараметрический тест для проверки гипотезы.
- Слушатель умеет рассчитать и интерпретировать критерий Стьюдента для разных выборок.
- Слушатель умеет применять к данным модель линейной регрессии и интерпретировать ее метрики и коэффициенты. Умеет проверить ограничения и допущения для построения такой модели.
- Слушатель умеет применять к данным модель логистической регрессии и интерпретировать ее метрики и коэффициенты. Умеет проверить ограничения и допущения для построения такой модели
Направления подготовки
Что может быть прибыльнее, чем вести войну, торговать оружием и промышлять в даркнете? Правильно – лечить людей и продавать лекарства. Рассказываем, что нужно знать и уметь, чтобы влиться в выгодную и легальную индустрию здравоохранения.
Кто сталкивался с чем-то посложнее простуды знает, что при нестандартных симптомах шансы на успешное лечение резко падают по нескольким причинам:
Работа по стандарту подразумевает наличие алгоритма:
- Узнать симптоматику.
- Провести диагностику и сделать анализы.
- Определить диагноз.
- Назначить лечение.
Эти четыре шага может выполнить машина на основе массива данных.
Наука о данных использует большие объемы информации, полученной из разрозненных источников, таких как медицинские карты пациентов, результаты диагностики, планы и результаты лечения, чтобы создать базу данных симптомов и успешных планов лечения, которая поможет врачам принимать правильные решения.
Читайте также:
- Чем особенно дорог тарас бульба автору кратко
- Что происходит с горными породами в природе 7 класс кратко
- Как обнаружить жир в тканях растений кратко
- При помощи каких способов из смесей можно выделить вещества входящие в их состав кратко
- Что послужило причиной выдать себя за наследника престола дмитрия кратко