Attribut:Beschreibung-DE
Zur Navigation springen
Zur Suche springen
Dies ist ein Attribut des Datentyps Text.
L
Die Studierenden können Beispiele für medizinische Biosignale sowie Filterverfahren für Biosignale +
Die Studierenden können Grundprinzipien der Verarbeitung von Biosignal- und Bilddaten mittels Verfahren des maschinellen Lernens am Beispiel künstlicher neuronaler Netze (z.B Deep Learning, Convolutional Neural Networks (CNNs), Generative Adversarial Network (GAN)) +
Die Studierenden können Anwendungsfelder von Bild- und Signalverarbeitung +
Die Studierenden können Biomedizinische Modellierung und Simulation +
Management biomedizinischer Signal- und Bilddaten +
Die Studierenden können wichtige Standards der Medizinischen Informatik z.B. DICOM +
Die Studierenden können Einsatzszenarien für telemedizinische Anwendungen und deren Rahmenbedingungen +
Die Studierenden können Grundlagen der Datengewinnung und Datenanalyse von primären und sekundären Datenquellen, Prinzipien des Data Mining, Data Warehouses (Data Sharing), Knowledge Management - idealerweise an realen Bedingungen +
Die Studierenden können bei gängigen Datenbanken Abfragen +
Die Studierenden können Maßnahmen zur Sicherstellung einer hohen Datenqualität (auf Basis von FAIR-Prinzipien) +
Die Studierenden können Anforderungen an die Informationsverarbeitung bei klinisichen Studien an EDC (Electronic Data Capture) z.B. aus Registern (deutsches Krebsregister) +
Die Studierenden können Datengewinnung aus telemedizinischen und anderen Anwendungen +
Die Studierenden können ethische, politische, regulatorische und soziale Gesichtspunkte für den Umgang mit Big Data +
Die Studierenden können wichtige Standards der Medizinischen Informatik für die Datengewinnung, -analyse, -austausch +
Die Studierenden können Analyseverfahren, z.B statistische Modelle, "Machine Learning" und Verfahren künstlicher Intelligenz +
Die Studierenden können unterschiedliche Arten von wissensbasierten Systemen und medizinische Anwendungen von Clinical Decision Support Systems (CDSS) zur Optimierung der Krankenversorgung +
Die Studierenden können Beispiele für maschinelle Lernverfahren und die Grundprinzipien für deren Evaluation am Beispiel künstlicher Neuronaler Netze +
Die Studierenden können den Begriff personalisierte Medizin und medizinische Anwendungen von maschinellen Lernverfahren oder KI-Systemen, insbesondere im Kontext des Medizinproduktegesetzes +