Autre

Module 11 : Techniques élémentaires de méthodes d’apprentissage

2 jour(s) • 14h

Description

Découvrir et utiliser les techniques de machine learning élémentaires (arbres de décision, réseaux de neurones) pour prédire les résultats cliniques, en particulier les risques de récidive chez les patients atteints de cancer. Thème : "Prédiction des récidives chez les patients atteints de cancer grâce aux techniques de machine learning dans un laboratoire de recherche Inserm"

Objectifs pédagogiques

Comprendre et appliquer les techniques de machine learning pour des analyses prédictives dans le domaine médical.
Savoir construire et interpréter des arbres de décision, des arbres de régression et des réseaux de neurones.
Comparer les performances des différents modèles de machine learning et choisir celui qui est le mieux adapté aux données.

Public concerné

Tout public, mais particulièrement des chercheurs, doctorants et post-doctorants, ingénieurs et techniciens

Prérequis

Connaissances de base en statistiques descriptives et en modélisation.

Déroulé du programme

Introduction aux méthodes d'apprentissage (2 heures 30 minutes)

Introduction au machine learning et aux méthodes supervisées.
Concepts clés : apprentissage, validation, sur-apprentissage.
Outils : Présentation théorique des concepts, utilisation de R (packages caret, rpart).
Travaux pratiques : Exploration des données de patients cancéreux pour préparer une analyse prédictive.

Arbres de décision (3 heures)

Construction d’arbres de décision pour la classification des patients en fonction de facteurs de risque.
Interprétation des résultats, forces et faiblesses des arbres de décision.
Outils : Utilisation de R (package rpart) pour créer des arbres de décision.
Travaux pratiques : Appliquer un arbre de décision pour prédire le risque de récidive chez les patients atteints de cancer en fonction de variables cliniques (âge, type de traitement, stade du cancer).

Régression logistique et arbres de régression (3 heures 30 minutes)

Introduction à la régression logistique et aux arbres de régression.
Comparaison des modèles pour les données continues et catégorielles.
Outils : Utilisation de R pour ajuster des arbres de régression et des régressions logistiques.
Travaux pratiques : Construire un arbre de régression pour prédire la durée de survie après traitement chez les patients atteints de cancer.

Introduction aux réseaux de neurones (3 heures 30 minutes)

Concepts de base des réseaux de neurones artificiels, perceptrons multicouches.
Application des réseaux de neurones à la prédiction des résultats cliniques.
Outils : Utilisation de R (package nnet) pour ajuster des modèles de réseaux de neurones.
Travaux pratiques : Appliquer un modèle de réseau de neurones pour prédire la probabilité de récidive chez les patients à partir d'un ensemble de variables cliniques.

Conclusion et mise en pratique finale (1 heures 30 minutes)

Synthèse des différentes techniques d’apprentissage vues dans le module.
Travaux pratiques : Projet final consistant à comparer les performances de plusieurs modèles (arbre de décision, régression, réseau de neurones) pour prédire les récidives chez les patients atteints de cancer.