Aperçu
Overview of the main principles of Deep Learning along with common architectures. Formulate the problem for time-series classification and apply it to vital signals such as ECG.
Applying this methods in Electronic Health Records is challenging due to the missing values and the heterogeneity in EHR, which include both continuous, ordinal and categorical variables. Subsequently, explore imputation techniques and different encoding strategies to address these issues.
Apply these approaches to formulate clinical prediction benchmarks derived from information available in MIMIC-III database.
Programme
- Intelligence Artificielle et Perceptron Multi-Couche
Cette semaine comprend un aperçu de l'histoire de l'apprentissage profond et des plateformes d'apprentissage profond populaires. Par la suite, les réseaux de Perceptron Multi-Couche (MLP) sont abordés ainsi que les fonctions d'activation courantes, les fonctions de perte et les algorithmes d'optimisation. Enfin, les exercices pratiques permettront d'optimiser et d'évaluer les MLP dans la classification ECG.
- Réseaux Neuronaux Convolutionnels et Récurrents
Les Réseaux Neuronaux Convolutionnels (CNN) ont révolutionné la manière dont nous traitons les images et ont contribué de manière significative au succès de l'apprentissage profond. Cette semaine, nous allons discuter des avantages que les CNN offrent par rapport aux MLP et nous allons implémenter des CNN pour les classifications de séries temporelles. Par la suite, nous allons présenter les Réseaux Neuronaux Récurrents (RNN). En particulier, nous allons discuter des réseaux de mémoire à long court terme et des réseaux à unités récurrentes verrouillées. Les exercices pratiques permettront de concevoir et de former tous ces types de réseaux dans la classification ECG. L'importance des ensembles de données d'entraînement, de validation et de test sera soulignée pour éviter le surapprentissage et l'évaluation du modèle.
- Prétraitement et imputation des données MIMIC III
Développer des ensembles de données de référence pour les DNN basés sur la base de données MIMIC-III implique plusieurs étapes qui incluent la sélection des cohortes, la conversion des unités, l'élimination des valeurs aberrantes et l'agrégation des données dans des fenêtres temporelles. Cette dernière étape permet de représenter les DSE sous forme de séries temporelles, mais elle est également sensible aux données manquantes. Pour cette raison, des stratégies d'imputation basées à la fois sur des techniques traditionnelles et d'apprentissage profond sont présentées. L'apprenant aura l'opportunité de prétraiter les DSE et de former des modèles d'apprentissage profond pour prédire la mortalité hospitalière.
- Encodages des DSE pour les modèles d'apprentissage automatique
Les DSE comprennent des variables catégorielles, ordinales et continues. Une représentation des données appropriée est importante et les encodages affectent les performances de prédiction. Cette semaine inclut plusieurs stratégies différentes pour encoder les données telles que les encodages cibles, les encodages en apprentissage profond et les encodages par similarité. En particulier, les autoencodeurs, qui constituent une architecture d'apprentissage profond pour représenter les données dans un espace de dimension inférieure, seront démontrés et appliqués à la prédiction de la mortalité hospitalière.
Enseigné par
Fani Deligianni
Matières
Computer Science
