Dans ce MOOC, vous serez initié aux techniques avancées d'apprentissage automatique et de traitement du langage naturel pour analyser et extraire des informations à partir de documents textuels non structurés dans le domaine de la santé, tels que les notes cliniques, les rapports de radiologie et les résumés de sortie. Que vous soyez un scientifique de données en herbe ou un professionnel en début ou milieu de carrière dans la science des données ou la technologie de l'information dans les soins de santé, il est essentiel que vous mainteniez à jour vos compétences en matière d'extraction et d'analyse de l'information.

Pour réussir ce cours, vous devriez vous appuyer sur les concepts appris dans le cadre d'autres cours MOOC de niveau intermédiaire et de spécialisations en science des données proposés par l'Université du Michigan, de sorte que vous serez en mesure d'approfondir les défis liés à la reconnaissance des entités médicales dans les documents liés à la santé, à l'extraction des informations cliniques, à la prise en charge de l'ambiguïté et de la polysémie pour les étiqueter avec des types de concepts corrects, et au développement d'outils et de techniques pour analyser de nouveaux genres d'informations sur la santé.À la fin de ce cours, vous serez en mesure de : Identifier les approches de text mining nécessaires pour identifier et extraire différents types d'informations à partir de données textuelles liées à la santé Créer un pipeline NLP de bout en bout pour extraire des concepts médicaux à partir de textes cliniques libres en utilisant une ressource terminologique Différencier la façon dont la formation des modèles d'apprentissage profond diffère de la formation des modèles traditionnels d'apprentissage automatique Configurer un modèle de réseau neuronal profond pour détecter les événements indésirables à partir des examens de médicaments Énumérer les avantages et les inconvénients des approches d'apprentissage profond."