Descriptif
Description du cours L'apprentissage automatique constitue la base de l'analyse des données biomédicales et du développement de modèles prédictifs destinés à des applications dans le domaine de la santé, notamment le diagnostic des maladies, le pronostic, la stratification des patients et l'aide à la décision clinique. Ce module présente les concepts fondamentaux, les méthodologies et les algorithmes de l'apprentissage automatique, tout en offrant aux étudiants une expérience pratique de la mise en œuvre de ces méthodes sur des ensembles de données biomédicales. Le cours commence par les fondements de l’intelligence artificielle et de l’apprentissage automatique, en présentant le cycle complet de l’apprentissage automatique, notamment le prétraitement des données, l’entraînement, la validation, les tests, la validation croisée, l’évaluation des performances et le compromis biais-variance. Les étudiants développeront également des compétences pratiques en programmation Python à l’aide de bibliothèques standard de calcul scientifique pour l’analyse des données, la visualisation et l’exploration statistique. Le module aborde ensuite les principales méthodes d’apprentissage non supervisé et supervisé. Les étudiants étudieront les techniques de regroupement (clustering), les méthodes de régression pour la modélisation prédictive et les algorithmes de classification. Le cours présente également des méthodes d’analyse des séries chronologiques et de comparaison des signaux biomédicaux. Tout au long de ce module, les étudiants acquerront une expérience pratique de la mise en œuvre d'algorithmes d'apprentissage automatique à partir d'ensembles de données issues de l'imagerie biomédicale, de la physiologie et de la biologie. Les séances pratiques mettent l'accent sur les flux de travail reproductibles en apprentissage automatique, l'évaluation objective des modèles et l'interprétation critique des résultats. Le module se termine par un projet méthodologique dans le cadre duquel les étudiants mettent en œuvre un algorithme d'apprentissage automatique à l'aide de Python et évaluent ses performances sur un ensemble de données biomédicales.
32 heures en présentiel
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Pour les étudiants du diplôme M1 DS4H - Digital Skills for Healthcare Transformation
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 3 ECTS
Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 3 ECTS
