Programme d’études 2023-2024 | English | ||
Intelligence artificielle dans le domaine de la santé I | |||
Unité d’enseignement du programme de Bachelier en médecine (MONS) (Horaire jour) à la Faculté de Médecine et de Pharmacie |
Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
---|---|---|---|---|
UM-B3-MEDECI-033-M | UE optionnelle | BRIGANTI Giovanni | M119 - Neurosciences |
|
Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
---|---|---|---|---|---|---|---|---|---|
| Français | 15 | 0 | 0 | 0 | 0 | 1 | 1.00 | 1er quadrimestre |
Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
---|---|---|---|---|---|---|---|---|
M-NEUR-073 | Intelligence artificielle dans le domaine de la santé I | 15 | 0 | 0 | 0 | 0 | Q1 | 100.00% |
Unité d'enseignement | ||
---|---|---|
UM-B1-MEDECI-005-M Statistiques I | ||
UM-B2-MEDECI-007-M Statistiques II | ||
UM-B2-MEDECI-014-M Epidémiologie générale |
Objectifs par rapport aux acquis d'apprentissage du programme
Acquis d'apprentissage de l'UE
Objectifs pédagogiques : À l'issue de ce module, les étudiants seront en mesure de :
Comprendre et différencier les concepts clés de l'intelligence artificielle (IA), du machine learning et du deep learning.
Passer d'un raisonnement statistique à un raisonnement IA en appréhendant les principes fondamentaux des algorithmes d'apprentissage automatique.
Identifier les principaux types d'apprentissage en machine learning (supervisé, non supervisé et par renforcement) et leurs applications dans le domaine de la santé.
Analyser et choisir les algorithmes appropriés pour résoudre des problèmes spécifiques en santé en fonction des données disponibles et des objectifs de l'analyse.
Acquérir une compréhension de base des techniques de prétraitement des données, de sélection des caractéristiques et de réduction de la dimensionnalité.
Évaluer et interpréter les performances des modèles de machine learning à l'aide de métriques appropriées, telles que la précision, le rappel, le F1-score et la courbe ROC.
Démontrer une compréhension des enjeux éthiques et réglementaires liés à l'utilisation de l'IA dans le domaine de la santé.
Contenu de l'UE : descriptif et cohérence pédagogique
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.
Compétences préalables
Sans objet
Types d'activités
AA | Types d'activités |
---|---|
M-NEUR-073 |
|
Mode d'enseignement
AA | Mode d'enseignement |
---|---|
M-NEUR-073 |
|
Supports principaux non reproductibles
AA | Supports principaux non reproductibles |
---|---|
M-NEUR-073 | Sans objet |
Supports complémentaires non reproductibles
AA | Support complémentaires non reproductibles |
---|---|
M-NEUR-073 | sans objet |
Autres références conseillées
AA | Autres références conseillées |
---|---|
M-NEUR-073 | Sans objet |
Reports des notes d'AA d'une année à l'autre
AA | Reports des notes d'AA d'une année à l'autre |
---|---|
M-NEUR-073 | Autorisé |
Evaluation du quadrimestre 1 (Q1) - type
AA | Type(s) et mode(s) d'évaluation du Q1 |
---|---|
M-NEUR-073 |
|
Evaluation du quadrimestre 1 (Q1) - commentaire
AA | Commentaire sur l'évaluation Q1 |
---|---|
M-NEUR-073 | QCM sans points négatif |
Evaluation de l'épreuve de rattrapage du quadrimestre 1 (Q1) pour B1BA - type
AA | Type(s) et mode(s) d'évaluation rattrapage Q1(BAB1) |
---|---|
M-NEUR-073 |
|
Evaluation du quadrimestre 3 (Q3) - type
AA | Type(s) et mode(s) d'évaluation du Q3 |
---|---|
M-NEUR-073 |
|
Evaluation du quadrimestre 3 (Q3) - commentaire
AA | Commentaire sur l'évaluation Q3 |
---|---|
M-NEUR-073 | QCM sans points négatifs |