Health Care und Künstliche Intelligenz

Vorwort Einleitung | Andreas Klein, Sebastian Dennerlein und Helmut Ritschl. 1. Hinführung 2. Begriffliche Annäherungen 2.1 Künstliche Intelligenz (KI) 2.2 Maschinelles Lernen - Machine Learning (ML) 2.3 (Künstliche) Neuronale Netze (KNN) 2.4 Deep Learning (DL) 3. Veranschaulichung einiger ethischer Herausforderungen und Lösungsansätze 4. Zu den Beiträgen dieses Buches Literatur Abschnitt 1: Grundlagen zu KI und erste ethische Überlegungen Data Science und Künstliche Intelligenz | Wolfgang Granigg und Klaus Lichtenegger 1. Von Big Data zur Künstlichen Intelligenz 2. Was ist Künstliche Intelligenz? 3. Eine kurze Geschichte der KI 3.1 Die Anfänge: Rechnen und Codes knacken 3.2 Logik und Symbole 3.3 Maschinelles Lernen 3.4 Statistisches Lernen 3.5 Von der Natur das Lernen lernen 3.6 Die Deep-Learning-Revolution 3.7 Technische Infrastruktur 3.8 What else?4. Wie lernen Computerprogramme? 4.1 Supervised Learning 4.2 Unsupervised Learning 4.3 Reinforcement Learning 5. Einige Herausforderungen im ML 5.1 Underfitting und Overfitting 5.2 Ausdruckskraft vs. Erklärbarkeit Literatur 66 Wahrscheinlichkeit und Statistik - manchmal gegen unsere Intuition | Klaus Lichtenegger, Raphaele Raab und Wolfgang Granigg 1. Zugänge zur Statistik 2. Verzerrungen in den Daten 3. Die Crux mit dem Mittelwert 4. Regression zur Mitte 5. Das Simpson-Paradoxon 6. Fallstricke bei der Datenvisualisierung 7. Wahrscheinlichkeit wider die Intuition 8. Bedingte Wahrscheinlichkeiten 9. Der Satz von Bayes Literatur Die Hintergründe von KI im Gesundheitswesen verstehen lernen | Marco Tilli, Michael Melcher, Debora Stickler und Raphaele Raab Vom Problem zum Machine Learning Beispiel 1: Modellieren von BIP und Kindersterblichkeit Was ist eine Lineare Regression? Beispiel 2: Gruppieren von Brustkrebs-Merkmalen Beispiel 3: Klassifikation COVID-19 vs. Grippe aufgrund der Symptome Beispiel 4: Bildverarbeitung und -klassifikation Aufbau eines CNNs Arten von CNNs Beispiel 5: Befunde verstehen und schreiben

Sebastian Dennerlein erwarb seinen MSc und PhD in Psychologie an der Universität Graz. Er ist Assistenzprofessor am Institut für Educational Science and Technologies Institute der Fakultät für Behavioural, Management and Social Science Faculty an der Universität Twente. Seine Forschung konzentriert sich auf individuelles und soziales Lernen in technologiegestützten und arbeitsplatzbezogenen Lernkontexten, mit besonderem Schwerpunkt auf dem Thema des selbst- und gemeinschaftlich reguliertem Lernens und designorientierten Forschungsmethoden. Prof. Dr. Helmut Ritschl leitet das Institut für Radiologietechnologie an der FH JOANNEUM in Graz und beschäftigt sich mit der digitalen Transformation im Gesundheitswesen und deren Implikationen.