Introduktion till data science och programmering i Python för medicinsk forskning, 4 hp
| Kursnummer | NN |
| År | 2025 |
| Typ | Subjectcourse |
| Spår | - |
| Max antal deltagare | 10 |
| Sista ansökningsdag | 2025-03-24 |
| Språk | En |
| Kursansvarig | Nils Olovsson |
| Institution | Institutionen för immunologi, genetik och patologi |
| Besöksadress | Medicinsk fysik adm, ing 100 Akademiska sjukhuset |
| Postadress | Medicinsk fysik adm, ing 100 Akademiska sjukhuset 751 85 Uppsala |
| Datum | Vecka 14, 15, 16 och 17 |
| Lokal | Rudbeck Laboratory eller BMC |
| Kurslängd | 4 veckor |
| Kursrapport | |
| Kursplan | Kursplan |
Beskrivning
Deltagarna lär sig programmeringsspråket Python i kontexten av hantering och analys av biomedicinsk data.
Metoderna introduceras med teoretisk bakgrund och används därefter praktiskt till att lösa olika uppgifter.
Inga förkunskaper i programmering krävs.
Kursen är uppdelad i lika delar föreläsningar och lösning av övningsuppgifter under handledning.
50% i fyra veckor.
4 hp (60 kurstimmar + tentamen)
Inlärningsmål
Efter kursen förväntas studenterna kunna:
• Grundläggande kunskaper i programmering med Python.
• Ta fram statistiska mått och göra statistiska tester.
• Skapa plottar.
• Anpassa linjära och ickelinjära modeller.
• Arbeta med högdimensionell data och skapa kluster.
• Dimensionsreducering med PCA, UMAP och t-SNE.
• Kunna redogöra för den historiska utvecklingen inom artificiell intelligens och artificiella neurala nätverk.
• Förklara hur ett enkelt neuralt nätverk kan diskriminera mellan två datakluster.
• Förklara hur en maskinlärningsmodell kan lära från data.
• Arbeta med digitala bilder.
• Använda tränade djuplärningsmodeller för att lösa problem i biomedicinsk bildanalys.
Innehåll
Det övergripande målet med kursen är att förse studenten med en verktygslåda som går att applicera på många olika typer av problem tillsammans med en teoretisk bakgrund som beskriver hur dessa verktyg fungerar.
Kursen täcker följande ämnen:
-Pythonprogrammering
-Relevanta Python-paket, särskilt numpy, scipy och scikit-learn.
-Regression.
-Kluster och klassifikation.
-PCA
-Manifold learning (t-SNE, UMAP)
-Digital bildbehandling och analys
-Artificiella neuronnät
En matematisk bakgrund i följande ämnen ges:
-Derivator och gradienter
-Numerisk optimering
-Linjär algebra (vektorer och matriser)
Undervisning
Studenterna förväntas ha en egen bärbar dator som de kan arbeta med för att utföra kursuppgifter.
Programvara och data kommer laddas ner eller tillhandahållas.
Examination
Genomförande av ett antal programmeringsuppgifter under handledning. Skriftlig individuell examination.
Närvaro vid 85% av föreläsningarna är obligatoriskt.
Litteratur
"Python data science handbook" av Jake VanderPlas.
ISBN: 9781098121228
Första utgåvan finns tillgänglig online:
https://jakevdp.github.io/PythonDataScienceHandbook/
Lärare
Nils Olovsson