ECUE IA: IA et médecine

Code de l'ECUE : SLEI600

Ce cours appartient à UE IA: IA et ses applications (6 ECTS) qui contient 3 ECUE

Structure

PORTAIL SCIENCES ET TECHNOLOGIES

Domaine disciplinaire

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

Lieu d'enseignement

Campus SophiaTech Les Lucioles

Niveau du cours

Licence 3

Semestre

Semestre pair

Langue

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.

Responsable(s) du cours

Vicente Zarzoso

Présentiel

6h de cours magistral
14h de travaux dirigés

PREREQUIS

Avant le début du cours, je dois ...

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

OBJECTIFS

A la fin de ce cours, je devrais être capable de...

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

CONTENU

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

Accéder au Syllabus complet (Authentification requise)

Important

Ce syllabus n’a aucune valeur contractuelle. Son contenu est susceptible d’évoluer en cours d’année : soyez attentifs aux dernières modifications.