Module I : Intelligence Artificielle en santé I
Contenu du module :
Introduction à l'intelligence artificielle : Dans cette section, les étudiants seront initiés aux concepts fondamentaux de l'intelligence artificielle (IA), à son histoire, à son évolution et à son importance croissante dans le domaine de la santé. Ils apprendront également à distinguer entre l'IA, le machine learning et le deep learning.
Apprentissage supervisé : L'apprentissage supervisé sera présenté comme l'une des principales approches du machine learning. Les étudiants découvriront les concepts de base tels que les données d'entraînement et de test, les étiquettes et les caractéristiques. Ils se familiariseront également avec des algorithmes courants tels que la régression linéaire, la régression logistique, les machines à vecteurs de support et les arbres de décision, ainsi que leurs applications dans le secteur de la santé.
Apprentissage non supervisé : Cette section portera sur l'apprentissage non supervisé, une autre approche clé du machine learning. Les étudiants apprendront comment les algorithmes non supervisés fonctionnent sans étiquettes de données et découvriront des techniques populaires telles que la classification hiérarchique, le clustering de K-means, les cartes auto-organisatrices et l'analyse en composantes principales. Ils exploreront également comment ces méthodes peuvent être appliquées pour résoudre des problèmes dans le domaine de la santé.
Apprentissage profond : L'apprentissage profond, une sous-catégorie du machine learning basée sur les réseaux de neurones artificiels, sera présenté dans cette section. Les étudiants se familiariseront avec les concepts clés tels que les couches de neurones, les fonctions d'activation et la rétropropagation. Ils étudieront également des architectures de réseaux de neurones populaires, telles que les réseaux de neurones convolutionnels (CNN) et les réseaux de neurones récurrents (RNN), et leur pertinence pour des tâches spécifiques en santé, comme la reconnaissance d'images médicales et l'analyse de séquences génomiques.
Raisonnement incertain : Dans cette dernière section, les étudiants apprendront à gérer l'incertitude et l'imprécision inhérentes aux données médicales en utilisant des techniques de raisonnement incertain. Ils seront initiés à des approches telles que la théorie des probabilités, la théorie des ensembles flous, les réseaux bayésiens et les chaînes de Markov. Les étudiants découvriront comment ces techniques peuvent être appliquées pour prendre des décisions éclairées et modéliser des processus complexes dans le domaine de la santé.
- Titulaire: Giovanni BRIGANTI