Description

L’objectif de l’UE est de familiariser les étudiants aux différentes approches d’intelligence artificielle (IA) et les sensibiliser aux forces et limites de ces méthodes. A l’issue de l’enseignement, ils devraient être en mesure de pouvoir choisir et appliquer une approche IA pertinente pour résoudre un problème biologique en fonction des données disponibles et de la question posée. 
Les cours présenteront les différentes approches utilisées en apprentissage automatique (apprentissage supervisé, non-supervisé et par renforcement) avec des exemples d’applications en biologie et dans le domaine médical. Ils mettront l’accent sur l’importance des données et l’évaluation du modèle en apprentissage automatique. Ils aborderont également les aspects d’explicabilité et les enjeux éthiques et sociétaux associés à l’IA.
Les TD permettront aux étudiants de travailler sur les différentes étapes : préparation des données, choix du modèle, apprentissage, évaluation et amélioration du modèle. Ces TD seront réalisés sur des exemples simples de données biologiques en utilisant les librairies python Scikit-learn et TensorFlow. Les TP permettront de développer des analyses plus approfondies et en plus grande autonomie. Ils porteront par exemple sur la recherche de biomarqueurs  pour la stratification de patients à partir de données omiques et/ou cliniques, sur la détermination de structures tridimensionnelles de protéines à partir de données structurales ou encore sur la détection d’anomalies sur des coupes histologiques.

Compétences requises

Des connaissances de base en programmation python et en sciences des données sont requises.

Compétences visées

- Connaître les différentes méthodes d’IA (classiques et deep-learning) 
- Etre en mesure de sélectionner des données biologiques pour constituer un ensemble d’apprentissage pertinent
- Etre capable de choisir le bon algorithme en fonction de la problématique biologique
- Etre capable de paramétrer, d’entrainer et d’évaluer un modèle 
- Maitriser les librairies python Scikit-learn et TensorFlow

Disciplines

• Informatique
• Biochimie et biologie moléculaire

Contacts

Responsable(s) de l'enseignement

• Odile Lecompte

Autres contacts

Jeannin-Girardon Anne : jeanningirardon@unistra.fr
Eltsov Mikhail : eltsov@unistra.fr
Kieffer Bruno : bruno.kieffer@unistra.fr