נקודות זכות באוניברסיטה העברית: 2

תואר: בוגר

היחידה האקדמית שאחראית על הקורס: רוקחות

סמסטר: סמסטר ב'

שפת ההוראה: עברית

קמפוס: עין כרם

מורה אחראי על הקורס (רכז): עמיחי פרלמן

דוא"ל של המורה האחראי על הקורס: amichai.perlman@mail.huji.ac.il

שעות קבלה של רכז הקורס: בתיאום מראש

מורי הקורס:
ד"ר עמיחי פרלמן,
מר ניר טרבס

תאור כללי של הקורס:
הוראה של מושגים בסיסיים בניתוח נתונים, במדעי הנתונים ובהסקה סטטיסטית – שבמסגרתה מפעילים תהליכים להסקת המסקנות מהנתונים תוך התייחסות לטעות המקרית. הסוגיות שיידונו בקורס: אמידה נקודתית, בדיקת השערות, מבחני t, מבחני חי-בריבוע לטיב התאמה ולאי-תלות, למידת מכונה אשר תכלול מודלים רב-משתניים המשמשים לקלסיפיקציה

מטרות הקורס:
מטרת הקורס היא שהסטודנטים ירכשו הבנה רחבה של המאפיינים של נתונים מסוגים שונים, את חשיבותם של תהליכי היצירה ועיבוד הנתונים, ואת היישומים האפשריים לשימוש בנתונים למטרות מחקר ופיתוח בשדה הפרמקולוגי והקליני. הסטודנטים יתנסו בשימוש בכלים תכנותיים לעיבוד נתונים ואקספלורציה של נתונים. הסטודנטים יהיו מסוגלים לערוך ניתוחים סטטיסטיים הן במסגרת הניתוח הדו-משתני והן במסגרת הניתוח הרב-משתני, ויהיו מסוגלים לפתח את המיומנויות שלמדו בקורס כמפת דרכים בעת ניתוח בעיות מורכבות יותר בתהליך ההסקה

תוצרי למידה :
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
1. לזהות ולהגדיר את התכונות של סוגים של נתונים, ובכלל זה היבטים הנוגעים למקורם ודרכי היווצרותם, תכונות סטטיסטיות ומחשוביות, ומערכות קידוד סטנדרטיות.
2. לנסח שאלת מחקר במונחים של היפותזה כללית; לתרגם אותה לשאלת מחקר קונקרטית הנוגעת לאוכלוסיה, חשיפה ותוצא בריאות; ליצור הגדרה אופרטיבית של שאלת המחקר לפי המדדים והנתונים שנאספו; וליישם את ההגדרה בכלים תכנותיים.
3. לאפיין משתנים שונים של אוכלוסיה בעזרת מדדים כמותיים ויזואליים מתאימים.
4. להשתמש במבחנים סטטיסטיים מתאימים לבחינת היפותזה ולפרש את תוצאותיהם.
5. הבנת התוצאות של רגרסיה ליניארית ורגרסיה לוגיסטית.
6. להפגין ידע תיאורטי של עקרונות בסיסיים בלמידת מכונה, אתגרים, מגבלות ודרכים להערכתה.

דרישות נוכחות (%):
80

שיטת ההוראה בקורס: מצגות והדגמה בתוכנות סטטיסטיות, וכן תרגול באתר DataCamp https://www.datacamp.com/

רשימת נושאים / תכנית הלימודים בקורס:
1. הצגת תחום מדע הנתונים ויישומים בתחום של פיתוח תרופות ובתחום הקליני.
2. איסוף נתונים - מקורות של נתונים, דרכי יצירתם ותיעודם, סוגי נתונים, שיטות קידוד סטנדרטיים עם התמקדות התרופתי והקליני.
3. עיבוד, הכנה ו"ניקוי" נתונים למטרות אנליטיות.
4. ניתוח חד-משתני - היבטים סטטיסטיים ומחשוביים של סוגי נתונים ושל שיטות כמותיות ווזיואליות לתיאור מדדי מרכז והתפלגות.
5. בדיקת היפותזות - מיקוד בבחינת הבדלים בין ממוצעים ופרופורציות (כולל t-test, ChiSquare).
6. רגרסיה לינארית.
7. מבוא ללמידת מכונה.
8. שימוש במודל קלסיפיקציה מבוסס רגרסיה לוגיסטית ומדדים להערכת התוצאות.

חומר חובה לקריאה:
"Demystifying artificial intelligence in pharmacy" Am J Health Syst Pharm 2020

חומר לקריאה נוספת:
"Fundamentals of Clinical Data Science" Pieter Kubben, Michel Dumontier, and Andre Dekker.

Computational and Inferential Thinking: The Foundations of Data Scienceby Ani Adhikari, John DeNero, David Wagner.

Python Data Science Handbook by Jake VanderPlas

R for Data Science by Hadley Wickham & Garrett Grolemund

הערכת הקורס - הרכב הציון הסופי :
מבחן מסכם בכתב/בחינה בעל פה 60 %
הרצאה0 %
השתתפות 0 %
הגשת עבודה 0 %
הגשת תרגילים 40 %
הגשת דו"חות 0 %
פרויקט מחקר 0 %
בחנים 0 %
אחר 0 %

מידע נוסף / הערות: