Introduction à l'apprentissage automatique - Cours 1

Aperçu

Plongez dans les fondamentaux de l'apprentissage automatique avec Ralf Eichhorn, en explorant les concepts et principes clés lors de cette session introductive de l'École de Physique Biologique et de Simulations Biomoléculaires.

Programme

• Introduction au cours
Aperçu de l'apprentissage automatique
Objectifs et résultats du cours
Présentation de l'instructeur : Ralf Eichhorn
• Fondamentaux de l'apprentissage automatique
Définition et types d'apprentissage automatique
Concepts clés : caractéristiques, étiquettes et modèles
• Aperçu des algorithmes d'apprentissage automatique
Apprentissage supervisé
Apprentissage non supervisé
Apprentissage par renforcement
• Comprendre les données dans l'apprentissage automatique
Types de données : structurées vs non structurées
Techniques de prétraitement des données
Sélection et ingénierie des caractéristiques
• Évaluation et validation des modèles
Principales métriques : précision, rappel, score F1
Techniques de validation croisée
• Introduction à la physique biologique et aux simulations biomoléculaires
Pertinence de l'apprentissage automatique en physique biologique
Études de cas : applications dans les simulations biomoléculaires
• Outils et logiciels
Introduction aux bibliothèques populaires d'apprentissage automatique
Mise en place d'un environnement d'apprentissage automatique
• Session pratique et démonstration
Modèles d'apprentissage automatique simples : exemple pratique
Utilisation de R ou Python pour implémenter des modèles de base
• Discussion et questions-réponses
Récapitulatif des concepts clés
Temps de questions et de discussion
• Remarques finales et prochaines étapes
Lectures et ressources recommandées
Opportunités d'apprentissage futures et cours avancés

Sujets

Informatique