Ce module présente les concepts fondamentaux et les architectures modernes de l'apprentissage profond appliquées aux données biomédicales. Il aborde les principes essentiels des réseaux neuronaux artificiels et explore progressivement des modèles avancés tels que les réseaux neuronaux convolutifs, les architectures basées sur l'attention (Transformers), les modèles d'espace d'état (Mamba) et les réseaux neuronaux sur graphes.
Dans le cadre du master BME DaTSHealth, l’objectif est de fournir aux étudiants une solide compréhension des méthodologies d’apprentissage profond, leur permettant ainsi de modéliser, d’analyser et d’interpréter des ensembles de données biomédicales complexes (images, signaux et données structurées) à l’aide d’approches de pointe.
Acquis d'apprentissage
À l'issue de ce cours, les étudiants seront capables de :
• Comprendre les fondements théoriques des méthodes d'apprentissage profond
• Expliquer comment différentes architectures de réseaux neuronaux traitent les données biomédicales
• Concevoir et entraîner des modèles d'apprentissage profond à l'aide de stratégies d'optimisation appropriées
• Évaluer les performances des modèles à l'aide de mesures pertinentes
• Identifier les architectures adaptées en fonction du type et de la structure des données biomédicales
• Appliquer les méthodes d'apprentissage profond à des applications biomédicales concrètes
Prérequis : connaissances de base en probabilités et statistiques. Des connaissances en programmation (Python, Matlab) sont requises pour suivre les séances pratiques.
Évaluation
- Mini-projet
- Travaux pratiques
- Examen oral ou écrit
