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 en 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 de séries chronologiques et de comparaison de signaux biomédicaux.
Tout au long du 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.
Objectifs d'apprentissage
Comprendre les principes fondamentaux de l'intelligence artificielle et de l'apprentissage automatique, ainsi que leurs applications en génie biomédical et dans le domaine de la santé.
Appliquer un pipeline structuré d'apprentissage automatique, comprenant l'entraînement, la validation, les tests, la validation croisée et l'évaluation des performances.
Mettre en œuvre des méthodes d'apprentissage supervisé pour la régression et la classification à l'aide d'ensembles de données biomédicales.
Appliquer des techniques d'apprentissage non supervisé, notamment des méthodes de regroupement (clustering), pour analyser et explorer des données biomédicales.
Évaluer les modèles d’apprentissage automatique à l’aide de mesures statistiques appropriées et interpréter le compromis entre biais et variance.
Mettre en œuvre, évaluer et analyser de manière critique les méthodes d’apprentissage automatique à travers des exercices pratiques de programmation et un projet méthodologique.
Méthodes pédagogiques
Ce module associe des cours magistraux, des discussions méthodologiques, un apprentissage sur support papier et des séances pratiques. Les étudiants travailleront sur des ensembles de données réels issus de l’imagerie, de la surveillance physiologique, des dossiers médicaux électroniques et des données biologiques. Les exercices pratiques mettent l’accent sur l’ensemble du processus d’apprentissage automatique, depuis le prétraitement des données et le développement de modèles jusqu’à l’évaluation, l’interprétation et l’analyse critique des méthodes d’apprentissage automatique pour des applications dans le domaine de la santé.
Thèmes abordés
Analyse des données biomédicales, fondements de l’apprentissage automatique, apprentissage automatique supervisé et non supervisé, évaluation des modèles, applications dans le domaine de la santé.
Prérequis
Compétences de base en programmation, connaissances élémentaires en statistiques et bases mathématiques fondamentales, notamment en algèbre linéaire.
Évaluation
Les étudiants seront évalués à la fois sur leur compréhension théorique des concepts fondamentaux de l’apprentissage automatique et sur leur capacité à mettre en œuvre et à évaluer ces méthodes pour résoudre des problèmes d’ingénierie biomédicale.
L’évaluation reposera sur un examen écrit final, des séances pratiques et une évaluation continue au moyen de quiz et d’un projet impliquant la mise en œuvre et l’évaluation d’une méthode d’apprentissage automatique.
