Bayes'sches Netz für Diagnose-Triage in einer Telemedizin-App
Übersicht
Worum es bei diesem Projekt geht.
Modelliere ein Bayes'sches Netz mit etwa zehn Knoten (Symptome, Risikofaktoren wie Alter und Vorerkrankungen, Ergebnis als Triage-Stufe 'Selbstbehandlung / Hausarztbesuch / Notfall'). Nutze einen anonymisierten öffentlichen Symptomdatensatz für die Parameterschätzung (Maximum Likelihood mit Laplace-Glättung — Vermeidung von Nullen in den Wahrscheinlichkeitstabellen). Evaluiere mit Kreuzvalidierung anhand der Übereinstimmung mit Referenz-Labels und der Sensitivität für die Klasse 'Notfall' (Nichterkennen ist hier kritisch). Implementiere eine Erklärungs-Schnittstelle, die für jede Triage-Empfehlung die drei einflussreichsten Faktoren ausgibt. Liefere einen Validierungsreport an das medizinische Fachreferat.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich ein erklärbares Bayes'sches Netz so trainieren und evaluieren, dass die Sensitivität für die Klasse 'Notfall' regulatorischen Anforderungen genügt?
Earning criteria — what you'll demonstrate
- Bayes'sche Netze als erklärbares Modell für sensible Domänen einsetzen
- Parameter aus realen Datensätzen mit korrekter Glättung schätzen
- Evaluation auf klassen-spezifische Risiken (z. B. Nichterkennung Notfall) zuschneiden
- Erklärbarkeit als Produkt-Feature und nicht nur als Modell-Eigenschaft umsetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
AI Engineer
Erklärbare KI in einer regulierten Domäne ist ein klassischer AI-Engineer-Schwerpunkt. Diese Challenge übt das End-to-End-Spektrum vom Modell bis zur Erklärungsschicht.
Dieses Projekt schärft
- bayesian-networks
- probabilistic-inference
- explainability
Data Scientist
Klassen-spezifische Sensitivität, Glättung und Kreuzvalidierung in einem klinisch sensiblen Setting sind Kern-Werkzeuge für Data Scientists in Digital-Health-Unternehmen.
Dieses Projekt schärft
- model-evaluation
- pgmpy
- python
Applied AI Scientist
Der ehrliche Umgang mit Klassen-Risiken und die Übersetzung in ein Validierungsdokument für eine medizinische Fachseite spiegeln die Profilbeschreibung eines Applied AI Scientists in der Telemedizin wider.
Dieses Projekt schärft
- clinical-safety
- explainability
- model-evaluation
Noch eine Sache