一、医学临床预测模型构建理论

1.背景知识

2.基于机器学习临床预测模型基本概念

3.基于临床预测模型的应用场景

4.传统临床预测模型与基于机器学习临床预测模型的流程对比介绍

5.基于机器学习临床预测模型的现状与发展趋势

二、Python语言基础（上机操作）

   本部分主要带领学员安装和熟悉软件环境及运行模式，围绕真实临床案例进行实际操作，通过案例式教学让学员掌握python语言的基本操作

1.python编程环境安装与配置

2.python基本数据结构

3.python的编程

3.1 控制流、函数与文件操作

3.2 Numpy基础

4 数据分析工具pandas与批量处理Excel的xlwings模块。

4.1 使用python 批量进行数据分析：批量排序、筛选、分类汇总、求和、最大最小值；

4.2 基本统计学分析（查看数据信息、数值型变量的统计描述、数值变量的假设检验、分类变量的列联表和独立性检验）

4.3线性模型与广义线性模型（线性模型、Logistic回归、Posisson回归、生存分析与COX回归、生存率的Kaplan-Meier估计、COX回归）

4.4 数据可视化工具matplotlib、seaborn等

三、Scikit-learn机器学习模型（上机操作）

1.机器学习概述

2.数据准备

2.1数据质量校验

2.1数据分布与趋势探查

2.2数据清洗

3.特征工程

3.1特征变换

3.2特征选择

4.有监督学习与无监督学习

5.机器学习算法常用模型

5.1逻辑回归、KNN、决策树、随机森林、支持向量机、朴素贝叶斯、catboost等

6.模型调参与模型验证

四、案例式驱动机器学习数据挖掘分析流程

1.乳腺癌测序数据、临床数据联合数据挖掘：

生信数据下载、数据融合、数据筛选、缺失值处理、变量归一化、结局变量提取、one-hot编码、RFE-SVM特征筛选、分类模型构建、超参数搜索运用。通过案例式学习，掌握数据挖掘的流程、套路。

2.      机器学习生存模型框架实战：

生存框架完整分析流程；模型性能评价、生存模型比较的AUC折线图表述，IBF折线图模型比较、特征选择、线性生存回归模型、基于岭回归的线性模型；生存树模型实战。

3.      数据分析美图秀秀：

类别比较图表、数据关系图表、数据分布图表；特征分析图、ROC_AUC曲线图等

4.      集成学习与非集成学习模型构建与对比分析：

baggingboosting、HistGradientBoosting、CatBoost、XGBRF、XGBRF、LGBMC、DecisionTree,RandomForest、Logistic、SVC、MultiomialNB、BernoulliNB、GaussianNB、KNN等。

五、具体案例分析（结合临床）

举例机器学习在临床中的具体应用分析，学员可根据自己所在领域提出临床问题，进行讨论，实现论文及科研项目的设计思路和实现方法

1.糖尿病遗传风险预测   

2.中医证型关联规则分析

3.乳腺癌细胞挖掘

4.心脏衰竭预测

5.脑瘤生存期预测

6.心血管疾病风险预测

7.医疗保险费预测

8.丙型肝炎预测

9.ICU患者生存期预测

10.血液分析预测

六、辅助课程

1.学后交流、微信群、QQ群建立；

2.咨询、合作。

3.专业技术团队深入探讨。