ECUE IA: IA et médecine

ECUE's code : SLEI600

This course belong to UE IA: IA et ses applications (6 ECTS) which contains 3 ECUE

Structure

PORTAIL SCIENCES ET TECHNOLOGIES

Disciplinary domain

Informatique , Mathématiques , Sciences de l'information et de la communication

Campus

Campus SophiaTech Les Lucioles

Course's level

Licence 3

Semester

Semestre pair

Language

Français

PRESENTATION

Ce module résume les notions principales de l'IA appliquée en santé, retraçant l'histoire de la discipline et évoquant ses défis et ses risques. Différentes techniques de traitement souvent exploitées dans l'IA en santé sont ensuite abordées, en particulier l'analyse en composantes principales (PCA) pour le débruitage et la réduction de dimensionnalité ainsi que les méthodes de classification et de régression classiques (analyse discriminante linéaire, régression linéaire, régression logistique). En raison de leur interprétabilité et explicabilité, ces méthodes sont très utilisées dans le domaine de l'IA en médecine. Les notions théoriques sont cosolidées à l'aide d'exercices sur papier / tableau et de manipulations informatiques en langage Python.

Course's manager(s)

Vicente Zarzoso

In class

6h of lectures
14h of directed studies

PREREQUISITES

Before the start of the course, I must ...

Connaître les notions de base en statistique, algèbre linéaire et programmation en langage Python.

OBJECTIVES

By the end of this course, I should be able to...

Reconnaître l'intérêt et les enjeux des applications médicales de l'IA
Comprendre les principaux problèmes ou tâches de l’apprentissage statistique
Comprendre les principales approches et étapes de la chaîne d’analyse de données médicales
Implémenter et tester différentes techniques de la chaîne d’analyse

CONTENT

Chapitre 1 : Généralités

Définition et pertinence, bénéfices / promesses, histoire, applications, risques et défis, chaîne d’analyse, problèmes d’apprentissage
Chapitre 2 : Débruitage et réduction de dimensionnalité

Débruitage, extraction et sélection de caractéristiques, réduction de dimensionnalité : analyse en composantes principales (PCA)
Chapitre 3 : Classification et régression classiques

Analyse discriminante linéaire, régression linéaire, régression logistique

Access to complete Syllabus (Authentification required)

Important

This syllabus has no contractual value. Its content is subject to change throughout this year: be aware to the last updates