Machine Learning in Healthcare: Fundamentals & Applications

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues.

Machine Learning in Healthcare: Fundamentals & Applications

Instructeurs : Sonya Makhni

1 764 déjà inscrits

Inclus avec En savoir plus

Demander à Coursera

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

11 avis

niveau Débutant

Aucune connaissance prérequise

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

11 avis

niveau Débutant

Aucune connaissance prérequise

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Compétences que vous acquerrez

Catégorie : Deep Learning
Catégorie : Health Informatics
Catégorie : Machine Learning Algorithms
Catégorie : Predictive Modeling
Catégorie : Diagnostic Tests
Catégorie : Machine Learning Software
Catégorie : Data Mining
Catégorie : Responsible AI
Catégorie : Artificial Intelligence and Machine Learning (AI/ML)
Catégorie : Machine Learning Methods
Catégorie : Applied Machine Learning
Catégorie : Model Training
Catégorie : Artificial Intelligence
Catégorie : Random Forest Algorithm
Catégorie : Unsupervised Learning
Catégorie : AI Enablement
Catégorie : Healthcare Industry Knowledge
Catégorie : Machine Learning
Catégorie : Health Technology
Catégorie : Model Evaluation

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

23 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Il y a 4 modules dans ce cours

Examines data mining perspectives and methods in a healthcare context. Introduces the theoretical foundations for major data mining methods and studies how to select and use the appropriate data mining method and the major advantages for each. Students are exposed to contemporary data mining software applications and basic programming skills. Focuses on solving real-world problems, which require data cleaning, data transformation, and data modeling.

In this module, we’ll start demystifying the terminology. We’ll begin by exploring the differences between AI, machine learning and deep learning. You’ll also gain hands-on experience in planning your own AI algorithm development, and learn what goes into preparing and constructing datasets for research questions.

Inclus

8 vidéos7 lectures5 devoirs1 évaluation par les pairs2 sujets de discussion

8 vidéosTotal 23 minutes

Meet Your Faculty: Paul Cerrato1 minute
Meet Your Faculty: Sonya Makhni2 minutes
Module Overview1 minute
Defining Data Mining4 minutes
Differences Between Machine Learning and Deep Learning4 minutes
Linear Regression2 minutes
Dataset Construction5 minutes
Dataset Preparation4 minutes

7 lecturesTotal 73 minutes

Welcome to Machine Learning in Healthcare: Fundamentals & Applications1 minute
Syllabus10 minutes
Recommended Prior Knowledge: Basic Statistics5 minutes
Recommended Prior Knowledge: How to Read Journal Articles30 minutes
Algorithm Project Introduction5 minutes
Lesson Resources20 minutes
Module Summary2 minutes

5 devoirsTotal 16 minutes

Module Quiz9 minutes
Question to Consider1 minute
Check Your Knowledge3 minutes
Check Your Knowledge1 minute
Check Your Knowledge2 minutes

1 évaluation par les pairsTotal 120 minutes

Operational Plan and Dataset for AI Algorithm (Peer Review)120 minutes

2 sujets de discussionTotal 70 minutes

Welcome to the Course!10 minutes
Addressing the 30-Day Readmission Problem60 minutes

In this module, we’ll take a deep dive into several sophisticated AI modeling techniques, including random forest modeling, gradient boosting, clustering and neural networks.

Inclus

6 vidéos8 lectures7 devoirs2 sujets de discussion

6 vidéosTotal 19 minutes

Module Overview1 minute
Logistic Regression3 minutes
Decision Trees and Random Forest Modeling4 minutes
Gradient Boosting4 minutes
Clustering5 minutes
Neural Networks3 minutes

8 lecturesTotal 70 minutes

Week 2 Project Preview1 minute
Lesson Resources12 minutes
Week 2 Project Introduction5 minutes
Module Summary2 minutes
AI Techniques in Clinical Decision Support7 minutes
Clustering Study6 minutes
Gradient Boosting Study34 minutes
AI Explained: What Is A Neural Network?3 minutes

7 devoirsTotal 26 minutes

Module Quiz11 minutes
Honors Quiz6 minutes
Question to Consider1 minute
Check Your Knowledge2 minutes
Check Your Knowledge2 minutes
Check Your Knowledge2 minutes
Check Your Knowledge2 minutes

2 sujets de discussionTotal 120 minutes

Can Neural Networks Improve Diagnosis?60 minutes
Modeling Technique Selection60 minutes

In this module, you’ll dive deeper into the nitty gritty of how AI algorithms are trained and validated, and examine how they compare to clinicians in the field.

Inclus

6 vidéos5 lectures7 devoirs2 sujets de discussion

6 vidéosTotal 16 minutes

Module Overview0 minutes
Applying Data Mining and Machine Learning to Real-World Problems Part 14 minutes
Applying Data Mining and Machine Learning to Real-World Problems Part 23 minutes
Comparing AI Performance to Clinician Performance Part 13 minutes
Analyzing the EAGLE Study3 minutes
Comparing AI Performance to Clinician Performance Part 24 minutes

5 lecturesTotal 163 minutes

Week 3 Project Preview1 minute
Study Values: Specificity, Sensitivity, AUC25 minutes
Lesson Resources46 minutes
Module Summary1 minute
Week 3 Project Introduction: The EAGLE Study90 minutes

7 devoirsTotal 31 minutes

Module Quiz11 minutes
Question to Consider5 minutes
Check Your Knowledge3 minutes
Check Your Knowledge3 minutes
Check Your Knowledge3 minutes
Check Your Knowledge3 minutes
Check Your Knowledge3 minutes

2 sujets de discussionTotal 105 minutes

Doctors vs. Algorithms90 minutes
EAGLE Study15 minutes

In this module, we’ll explore why so many potentially useful algorithms are not being implemented by healthcare providers. That critique will explore the black box dilemma, and the challenges involved in developing accurate and equitable data sets. That means examining the many ways in which algorithms can discriminate against various marginalized segments of the population.

Inclus

7 vidéos6 lectures4 devoirs2 sujets de discussion

7 vidéosTotal 27 minutes

Module Overview1 minute
Why Clinicians Resist AI-Enabled Algorithms5 minutes
Addressing Validation Issues5 minutes
Internal/External Validation4 minutes
Clinical Validation Studies2 minutes
Mayo Clinic on Health AI Part 16 minutes
Mayo Clinic on Health AI Part 25 minutes

6 lecturesTotal 60 minutes

Week 4 Project Preview2 minutes
Lesson Resources17 minutes
Lesson Resources36 minutes
Week 4 Project Introduction3 minutes
Module Summary1 minute
Course Summary1 minute

4 devoirsTotal 14 minutes

Module Quiz6 minutes
Check Your Knowledge3 minutes
Check Your Knowledge3 minutes
Check Your Knowledge2 minutes

2 sujets de discussionTotal 150 minutes

Healthcare Professionals and AI60 minutes
Validation90 minutes

Instructeurs

Sonya Makhni

Northeastern University

1 Cours1 764 apprenants

Offert par

Northeastern University

En savoir plus sur Research

Statut : Prévisualisation
Northeastern University
Machine Learning for Healthcare Professionals
Cours
Statut : Essai gratuit
SkillUp
Machine Learning for Healthcare Applications
Cours
Statut : Essai gratuit
Stanford University
Fundamentals of Machine Learning for Healthcare
Cours
Statut : Essai gratuit
SkillUp
Machine Learning for Medical Data
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

5 stars
72,72 %
4 stars
27,27 %
3 stars
0 %
2 stars
0 %
1 star
0 %

Affichage de 3 sur 11

Révisé le 5 févr. 2025

It was fine. The only complaint about the food is the cookie needed to be heated up and the lines were too long.

Voir plus d’avis

Débloquez l'accès à plus de 10 000 cours grâce à un abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez les 4 700 entreprises internationales qui ont choisi Coursera for Business.

Foire Aux Questions

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you purchase a Certificate you get access to all course materials, including graded assignments. Upon completing the course, your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.