Die Teilnehmer werden in der Lage sein, Python-Tools zu installieren und zu konfigurieren, Machine-Learning-Workflows anzuwenden, Gesundheitsdaten zu transformieren, logistische Regression zu implementieren und Vorhersagemodelle anhand von ROC-Kurven zu bewerten. Dieser Kurs vermittelt den Teilnehmern die praktischen Fähigkeiten, praxisnahe Machine-Learning-Lösungen für die Gesundheitsanalytik zu entwerfen, zu entwickeln und zu testen.

Anhand einer Schritt-für-Schritt-Anleitung beginnen die Teilnehmer mit der Einrichtung von Anaconda und den wesentlichen Python-Bibliotheken. Anschließend lernen sie den Datensatz „Pima Indians Diabetes“ kennen, erkunden die einzelnen Schritte des maschinellen Lernens und wenden die logistische Regression für die binäre Klassifizierung an. Der Kurs legt den Schwerpunkt auf praktische Übungen in Jupyter Notebook, in denen die Teilnehmer Daten vorverarbeiten, indem sie Kopfzeilen bearbeiten, kategoriale Werte kodieren und Datensätze in Trainings- und Testdatensätze aufteilen. Abschließend validieren die Teilnehmer die Modellleistung anhand von ROC-Kurven, um die diagnostische Genauigkeit zu interpretieren. Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein, Datensätze aus dem Gesundheitswesen in umsetzbare Vorhersagen umzuwandeln. Im Gegensatz zu allgemeinen Tutorials zum maschinellen Lernen zeichnet sich dieser Kurs dadurch aus, dass er sich auf eine reale medizinische Fallstudie konzentriert, Theorie und Programmierpraxis miteinander verbindet und sowohl konzeptionelles Verständnis als auch angewandte Fähigkeiten im Bereich der prädiktiven Modellierung vermittelt.