| 课程号 |
89339772 |
学分 |
3 |
| 英文名称 |
Step-by-Step Guide to Predictive Modeling |
| 先修课程 |
Advanced Mathematics |
| 中文简介 |
大数据与人工智能时代，数据获取越来越方便，选择五花八门的算法，利用程序代码，看似“谁都可以”开发预测模型。但这些速成的模型发表却困难重重，即便发表了的模型也大多质量参差不齐、无法使用，甚至选题本身就经不住推敲。究其根源，预测建模作为一门学问，从立意选题、数据清洗、数据探索、模型选择、模型拟合、到模型评价等，每个环节都有相应的方法准则，也都有常见的“陷阱”，不系统学习，没一手经验，很容易“掉坑”。
本课程响应人工智能驱动的科研需求，以“手把手”教会同学“构建预测模型”为目标，帮助学生更好的开展高质量、有价值的预测建模工作，真正理解预测建模的意义、思路、流程及操作，提高预测建模类研究的科研水平和论文发表质量，同时了解预测模型领域的最新方法学进展和热点。
完成本课程后，学生应能够：
（1）了解预测模型研究的国际现状及最新进展；
（2）掌握预测模型研究的选题、设计及方案撰写技巧
（3）掌握预测模型的开发、验证、报告、展现、应用等全链条的基本策略及原则；
（4）熟悉常用模型构建的程序模块及操作注意事项；
（5）拓展机器学习在预测建模中的应用
|
| 英文简介 |
In the era of big data and artificial intelligence, data acquisition has become increasingly convenient. A wide variety of algorithms are available, and through programming code, it seems that "anyone can" develop predictive models. However, publishing these hastily-made models is fraught with difficulties. Even if the models are published, they are mostly of uneven quality and unusable, and the topics themselves often cannot withstand scrutiny. The root cause is that predictive modeling as a discipline has corresponding methodological guidelines for each stage, including conception selection, data cleaning, data exploration, model selection, model fitting, and model evaluation, and there are also common "traps". Without systematic learning and hands-on experience, it is easy to "fall into the pit".
This course responds to the research needs driven by artificial intelligence and aims to teach students "building predictive models" step by step. It helps students better carry out high-quality and valuable predictive modeling work, truly understanding the significance, thinking, process, and operation of predictive modeling, improving the research level and paper publication quality of predictive modeling research, and at the same time understanding the latest methodological progress and hotspots in the field of predictive models.
After completing this course, students should be able to:
(1) Understand the international status and latest developments of predictive model research;
(2) Master the skills of topic selection, design, and proposal writing in predictive model research;
(3) Master the basic strategies and principles for the development, verification, reporting, presentation, and application of predictive models throughout the entire chain;
(4) Be familiar with the program modules and operational precautions for building common models;
(5) Expand the application of machine learning in predictive modeling.
All students who wish to conduct predictive modeling research—namely those interested in using existing information to predict future outcomes—including, but not limited to, students from disciplines such as medicine, social sciences, education, management, economics, and related fields. |
| 开课院系 |
教务部 |
| 成绩记载方式 |
百分制 |
| 通识课所属系列 |
|
| 授课语言 |
英文 |
| 教材 |
|
| 参考书 |
|
| 教学大纲 |
本课程响应人工智能驱动的科研需求，以“手把手”教会同学“构建预测模型”为目标，帮助学生更好的开展高质量、有价值的预测建模工作，真正理解预测建模的意义、思路、流程及操作，提高预测建模类研究的科研水平和论文发表质量，同时了解预测模型领域的最新方法学进展和热点。
完成本课程后，学生应能够：
（1）了解预测模型研究的国际现状及最新进展；
（2）掌握预测模型研究的选题、设计及方案撰写技巧
（3）掌握预测模型的开发、验证、报告、展现、应用等全链条的基本策略及原则；
（4）熟悉常用模型构建的程序模块及操作注意事项；
（5）拓展机器学习在预测建模中的应用
？ Day 1（星期一）
第一章：预测模型的基础知识
核心内容：
？ 预测模型的基本概念
？ 预测模型的构建流程（选题，确定预测结局、预测因子，样本量计算）
？ 预测模型的数据获取（研究设计）
上机操作：R包操作基础
？ Day 2（星期二）
第二章 预测模型的论文阅读技巧
核心内容：
？ 预测模型的报告规范
？ 预测模型的质量评价
？ 预测模型经典论文的解读与讨论
？ Day 3（星期三）
第三章 预测模型的开发
核心内容：
？ 预测模型的模型选择
？ 预测模型的变量筛选及纳入模型的形式
？ 预测模型的评价
上机操作：预测模型的开发
？ Day 4（星期四）
第四章 预测模型的验证
核心内容：
？ 内部验证
？ 内部-外部验证
？ 外部验证
上机操作：预测模型的验证
？ Day 5（星期五）
第五章 预测模型的应用评价
核心内容：
？ 基于模型表现指标
？ 基于决策分析模型
？ 基于临床试验
？ 基于真实世界数据
第二周：预测模型进阶提高
？ Day 6（星期一）
第六章 预测模型类研究的选题、设计及方案撰写技巧
核心内容：
？ 选题体会
？ 设计体会
？ 撰写建议
上机操作：诊断预测模型的案例复现及实操
？ Day 7（星期二）
第七章 如何利用少量数据对已有预测模型进行更新？
核心内容：
？ 模型更新的目的
？ 模型更新的模式
？ 模型更新的策略
？ 模型更新的方法
？ Day 8（星期三）
第八章 基于巢式病例对照/病例队列设计的模型开发与验证
核心内容：
？ 基于巢式病例对照的模型开发与验证
？ 基于病例队列的模型开发与验证
上机操作：预后预测模型的案例复现及实操
？ Day 9（星期四）
第九章 预测模型的系统综述与meta分析
核心内容：
？ 研究问题的提出
？ 检索策略的制定
？ 文献筛选与偏倚风险分析
？ 数据提取
？ 结果总结报告
？ Day 10（星期五）
第十章 结课汇报与指导
核心内容：
？ 同学分组，每组介绍预测建模方法的最新进展或制定一个完整的预测建模方案（主题/类型自选）
教师主讲（理论）+上机操作（实战）+文献案例讨论（应用）+学生案例汇报及讨论（考核）
学生案例汇报及讨论（考核）
？ 同学分组，每组介绍预测建模方法的最新进展或制定一个完整的预测建模方案（主题/类型自选）
？ 进展至少包括：现有问题、新方法的原理及实现、应用案例、个人启示等（勿局限于某一篇文献，尽可能搞清楚）
？ 方案至少包括：研究背景、目标、内容、方法、创新性、优缺点等
汇报形式要求
- 幻灯片
- 报告15分钟/人
- 提问&讨论 5分钟
|
| 教学评估 |
|
|