[Workshop] Approches d’apprentissage automatique par la Graduate School Translational Bioinformatics

L’objectif

Les participantes et participants travailleront avec différents types de données biomédicales et apprendront à choisir la meilleure architecture de modèle, adaptée à chaque tâche. L’objectif principal des sessions sera de leur démontrer la puissance de ces méthodes et leur champ d’application, mais aussi de prendre conscience de leurs limites. Une attention particulière sera accordée à la gestion des bonnes pratiques et à leur utilisation dans des conditions appropriées.

Thèmes abordés 

• Introduction à l’apprentissage automatique et aux principaux concepts de l’apprentissage supervisé : fonction de perte, optimisation du modèle, évaluation du modèle, sous-adaptation et sur adaptation. Introduction à l’apprentissage profond (DL) et ses applications.
• Réseaux de convolution et leur application au traitement d’images. Travaux pratiques sur des images médicales.
• Architectures de réseaux avancées et modèles de traitement du langage : des réseaux récurrents aux transformateurs. Enchâssement de séquences de protéines.
• Sujets avancés de l’apprentissage profond : réseaux neuronaux graphiques, apprentissage fédéré, traitement du langage naturel (NLP).

L’inscription est gratuite mais obligatoire (20 places disponibles)

Cet évènement est organisé par Catherine Etchebest (équipe DSIMB, UMR-1134) et Antonio RAUSELL (Laboratoire de Bio-informatique Clinique, IHU Institut Imagine).