Навигација

13М051СОМ - Системи одлучивања у медицини

Спецификација предмета
НазивСистеми одлучивања у медицини
Акроним13М051СОМ
Студијски програмЕлектротехника и рачунарство
Модул
Тип студијамастер академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
Наставник/сарадник (ДОН)
Број ЕСПБ6.0Статус предметаизборни
Условљност другим предметиманема
Циљеви изучавања предметаЦиљ предмета је да студенти овладају методама за екстракцију и селекцију обележја, напредним статистичким и soft-computing техникама у претраживању скривеног знања и доношењу одлука у медицинском домену и регресионим моделима, као веома битним алатом у моделовању медицинских појава.
Исходи учења (стечена знања)Исход предмета су да студенти имају вештине да изврше одабир најинформативнијих атрибута из скупа свих доступних атрибута, испројектују напредне технике за доношење одлука попут Бајесових мрежа и Марковљевих модела, као и да се савладају методе моделовања утицаја различитих параметара која се прате у медицинским истраживањима.
Садржај предмета
Линк ка страници предметаhttps://automatika.etf.bg.ac.rs/sr/13m051som
Садржај теоријске наставеТеоријске основе и примена напредних техника у медицинском домену: Методе за екстракцију и селекцију обележја. Метода носећих вектора. Бајесове мреже. Марковљеви модели. Неуро-фази системи. Модели линеарне и логистичке рефресије.
Садржај практичне наставеОвладавање програмском подршком за имплементацију метода за екстракцију и селекцију атрибута, имплементацијом метода за доношење одлука, као и формирање одговарајућих регресионих модела.
Литература
  1. W. Vach, Regression Models as a Tool in Medical Research, CRC Press, 2013.
  2. M. Hunink, P. Glasziou, Decision Making in Health and Medicine, Cambridge University Press, 2003.
  3. Berka, P. (Ed.), Data Mining and Medical Knowledge Management: Cases and Applications, IGI Global, Berka, P. (Ed.). (2009). Data Mining and Medical Knowledge Management: Cases and Applications: Cases and Applications. IGI Global, 2009.
  4. C.M.Bishop, "Pattern Recognition and Machine Learning", Springer, 2006.
Број часова активне наставе недељно током семестра/триместра/године
ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
311
Методе извођења наставеПредавања (45), аудиторне вежебе (15) и вежбе на рачунару (15).
Оцена знања (максимални број поена 100)
Предиспитне обавезеПоенаЗавршни испитПоена
Активности у току предавања0Писмени испит70
Практична настава0Усмени испит0
Пројекти30
Колоквијуми0
Семинари0