[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-967126","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Machine learning et deep learning pour les sciences du vivant\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          4\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemestre calendaire :\n          Semestre 2\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ECours magistraux :\u003C\/span\u003E\n                                      \u003Cspan\u003E21\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                                                        \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n                    \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EA l\u2019\u00e8re de l\u2019IA, il est naturel de se poser la question dans quelle mesure l\u2019IA peut \u00eatre utilis\u00e9e pour analyser des donn\u00e9es biologiques. Cette question sera au coeur du cours. Pour l\u2019aborder, il est indispensable d\u2019acqu\u00e9rir d\u2019abord quelques bases du domaine, pour pouvoir ensuite en discuter de mani\u00e8re pertinente. Le cours est alors constitu\u00e9 de deux parties.\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003ED\u2019une part, nous d\u00e9couvrirons quelques m\u00e9thodes fondamentales de l\u2019apprentissage statistique et du deep learning, telles que les for\u00eats al\u00e9atoires et les r\u00e9seaux de neurones. Nous pr\u00e9senterons les mod\u00e8les et les grandes id\u00e9es derri\u00e8res ces m\u00e9thodes, ainsi que des techniques d\u2019optimisation et leur mise en oeuvre en Python dans des TPs sur machine. Nous \u00e9tudierons le r\u00f4le de ces m\u00e9thodes dans diff\u00e9rents domaines d\u0027application en biologie et en m\u00e9decine (par exemple, l\u0027analyse d\u2019images m\u00e9dicales ou de donn\u00e9es g\u00e9nomiques).\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003ED\u2019autre part, nous discuterons les avantages, les inconv\u00e9nients et les limites du ML et DL de mani\u00e8re g\u00e9n\u00e9rale et plus particuli\u00e8rement pour les sciences du vivant, notamment par rapport aux approches statistiques traditionnelles (performance de pr\u00e9diction vs interpr\u00e9tabilit\u00e9 ; approche bo\u00eete noire vs explainability ; mod\u00e8le param\u00e9trique vs non param\u00e9trique ; impact \u00e9cologique des mod\u00e8les\/du calcul\/des bases de donn\u00e9es).\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003EL\u2019objectif g\u00e9n\u00e9ral du cours est de se familiariser avec ce domaine \u00e9mergeant de l\u2019IA afin d\u0027\u00eatre ensuite en mesure de prendre des d\u00e9cisions \u00e9clair\u00e9es sur l\u2019approche de mod\u00e9lisation \u00e0 adopter dans des applications. Nous verrons que ce n\u2019est jamais simple...\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E\u003Cstrong\u003ETh\u00e8mes abord\u00e9s :\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E- Mod\u00e8les nonlin\u00e9aires de machine learning (for\u00eats al\u00e9atoires, bagging, boosting)\u003C\/p\u003E\n\u003Cp\u003E- R\u00e9seaux de neurones denses (perceptron multicouche), architecture, techniques d\u2019optimisation\u003C\/p\u003E\n\u003Cp\u003E- R\u00e9seaux de neurones de convolution (CNN) pour le traitement d\u2019images (m\u00e9dicales p.ex.)\u003C\/p\u003E\n\u003Cp\u003E- R\u00e9seaux de neurones r\u00e9current (RNN) pour des donn\u00e9es s\u00e9quentielles (p.ex. g\u00e9n\u00e9tiques)\u003C\/p\u003E\n\u003Cp\u003E- Discussion des avantages, inconv\u00e9nients et limites du ML et DL en comparaison avec une mod\u00e9lisation statistique\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E- TP sur machine avec Python\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E\u003Cstrong\u003EPlanning des s\u00e9ances :\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 1 : ML\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 2 : TP avec Pyhton\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 3 : DL : perceptron multicouche\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 4 : TP avec Pyhton\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 5 : DL : r\u00e9seaux de neurones de convolution (CNN) et r\u00e9currents (RNN)\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 6 : TP avec Pyhton\u003C\/p\u003E\n\u003Cp\u003ES\u00e9ance 7 : Discussion ML\/DL vs statistique traditionnelle\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E\u0026nbsp;\u003C\/p\u003E\n\u003Cp\u003E\u003Cstrong\u003EVolume horaire :\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cp\u003E7 s\u00e9ances de 3h = 21 heures.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                                                \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003ED\u00e9tail renseign\u00e9 au niveau \u00c9l\u00e9ment Constitutif\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]