Descriptif

L'apprentissage automatique est devenu un élément central de l'ingénierie biomédicale et des soins de santé, soutenant des applications telles que le diagnostic des maladies, le pronostic, la médecine de précision, l'aide à la décision clinique et l'analyse des données biomédicales. Ce module permet d'acquérir les fondements théoriques et les compétences pratiques nécessaires pour concevoir, mettre en œuvre et évaluer de manière critique des méthodes avancées d'apprentissage automatique à l'aide d'ensembles de données biomédicales réels.
Le cours commence par un tour d’horizon du processus d’apprentissage automatique avant de présenter un éventail de méthodes avancées d’apprentissage supervisé, non supervisé et d’apprentissage par représentation. Les étudiants étudieront l’apprentissage par ensembles, les modèles probabilistes, les machines à vecteurs de support, les perceptrons multicouches et les auto-encodeurs, ainsi que les techniques de réduction de dimensionnalité et de représentation des données. Le module aborde également l’optimisation et la sélection des modèles par le biais de la régularisation et de l’optimisation des hyperparamètres.
Un accent particulier est mis sur le développement de systèmes d’apprentissage automatique fiables. Les étudiants apprendront des méthodes de sélection de caractéristiques et d’intelligence artificielle explicable, leur permettant de comprendre et d’évaluer de manière critique les prédictions des modèles dans des applications biomédicales. Le cours se termine par une introduction au traitement du langage naturel, offrant aux étudiants un aperçu des approches modernes de l’IA pour l’analyse de textes biomédicaux et de documents cliniques.

Tout au long de ce module, les étudiants acquerront une expérience pratique de la mise en œuvre d’algorithmes d’apprentissage automatique sur des 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 rigoureuse des modèles et l’analyse critique des opportunités et des limites de l’apprentissage automatique dans le domaine de la santé.
Prérequis
Connaissances fondamentales en apprentissage automatique, solides compétences en programmation Python et bonne compréhension des statistiques et de l’algèbre linéaire.

Thème central du module
Apprentissage automatique sur les graphes pour le génie biomédical, les neurosciences computationnelles, la bio-informatique et l’analyse des données biologiques