Libellé préféré : Apprentissage machine;
Définition CISMeF : Processus par lequel un algorithme évalue et améliore ses performances sans l'intervention
d'un programmeur, en répétant son exécution sur des jeux de données jusqu'à obtenir,
de manière régulière, des résultats pertinents. Note : 1. Un algorithme d'apprentissage
automatique comporte un modèle dont il modifie les paramètres, de valeur initiale
en général aléatoire, en fonction du résultat constaté. 2. L'apprentissage automatique
relève de l'intelligence artificielle. 3. L'apprentissage automatique est fréquemment
utilisé pour le traitement du langage naturel et la vision par ordinateur, ou pour
effectuer des diagnostics et des prévisions. Voir aussi : apprentissage non supervisé,
apprentissage par renforcement, apprentissage profond, apprentissage supervisé, dialogueur,
intelligence artificielle, réseau de neurones artificiels. Équivalent étranger : machine
learning (ML) (source BO).;
Synonyme CISMeF : Apprentissage artificiel; Apprentissage automatique; Apprentissage-machine;
Acronyme CISMeF : AA; ML;
Lien Wikipédia : https://fr.wikipedia.org/wiki/Apprentissage automatique;
Identifiant d'origine : D000069550;
CUI UMLS : C0376284;
Alignements automatiques exacts (par équipe CISMeF)
- Alignements automatiques faux
- Alignements manuels CISMeF
- Concept(s) lié(s) au record
- Correspondances UMLS (même concept)
- Liste des qualificatifs affiliables
- Type(s) sémantique(s)
Processus par lequel un algorithme évalue et améliore ses performances sans l'intervention
d'un programmeur, en répétant son exécution sur des jeux de données jusqu'à obtenir,
de manière régulière, des résultats pertinents. Note : 1. Un algorithme d'apprentissage
automatique comporte un modèle dont il modifie les paramètres, de valeur initiale
en général aléatoire, en fonction du résultat constaté. 2. L'apprentissage automatique
relève de l'intelligence artificielle. 3. L'apprentissage automatique est fréquemment
utilisé pour le traitement du langage naturel et la vision par ordinateur, ou pour
effectuer des diagnostics et des prévisions. Voir aussi : apprentissage non supervisé,
apprentissage par renforcement, apprentissage profond, apprentissage supervisé, dialogueur,
intelligence artificielle, réseau de neurones artificiels. Équivalent étranger : machine
learning (ML) (source BO).
N3-AUTOINDEXEE
Visualisation web de paramètres quantitatifs d’images et apprentissage automatique
pour la médecine personnalisée
https://doc.rero.ch/record/333496?ln=fr
Après avoir pris connaissances des besoins de l’Institut Informatique de Gestion de
la HES-SO Valais-Wallis, nous avons procédé à un état de l’art afin de comparer notre
application avec les solutions similaires existantes sur le marché. Ensuite, le choix
de la technologie de développement, le choix du type de graphique et le choix de la
librairie de visualisation ont été définis respectivement via des analyses approfondies.
Durant la phase de développement, nous avons organisé des réunions dans le but de
montrer l’état d’avancement du travail au client pour recevoir des feedbacks
RERO DOC - Réseau des bibliothèques de Suisse occidentale
Suisse
thèse ou mémoire
apprentissage
Internet
Apprentissage
Apprentissage
Apprentissage
Médecine de précision
automatisme
Automatisme
Médecine
Apprentissage machine
robot
Médecins
---
N2-AUTOINDEXEE
AnTiBioStat : prédire l’antibiorésistance à partir des antibiogrammes historiques
et l’apprentissage machine à l’hôpital
https://sesstim.univ-amu.fr/fr/video-box/seminaire-interne-stanislas-rebaudet-raquel-urena
2022
SESSTIM
France
matériel d'enseignement audio-visuel
tests de sensibilité microbienne
machine
hôpitaux
Apprentissage machine
hôpital
Antibiogramme
résistance microbienne aux médicaments
apprentissage
Apprentissage
Apprentissage
---
N3-AUTOINDEXEE
Introduction à l’apprentissage automatique en pharmacométrie : concepts et applications
https://papyrus.bib.umontreal.ca/xmlui/handle/1866/26005
L’apprentissage automatique propose des outils pour faire face aux problématiques
d’aujourd’hui et de demain. Les récentes percées en sciences computationnelles et
l’émergence du phénomène des mégadonnées ont permis à l’apprentissage automatique
d’être mis à l’avant plan tant dans le monde académique que dans la société. Les récentes
réalisations de l’apprentissage automatique dans le domaine du langage naturel, de
la vision et en médecine parlent d’eux-mêmes. La liste des sciences et domaines qui
bénéficient des techniques de l’apprentissage automatique est longue. Cependant,
les tentatives de coopération avec la pharmacométrie et les sciences connexes sont
timides et peu nombreuses. L’objectif de ce projet de maitrise est d’explorer le potentiel
de l’apprentissage automatique en sciences pharmaceutiques. Cela a été réalisé par
l’application de techniques et des méthodes d’apprentissage automatique à des situations
de pharmacologie clinique et de pharmacométrie. Le projet a été divisé en trois parties.
La première partie propose un algorithme pour renforcer la fiabilité de l’étape de
présélection des covariables d’un modèle de pharmacocinétique de population. Une forêt
aléatoire et l’XGBoost ont été utilisés pour soutenir la présélection des covariables.
Les indicateurs d’importance relative des variables pour la forêt aléatoire et pour
l’XGBoost ont bien identifié l’importance de toutes les covariables qui avaient un
effet sur les différents paramètres du modèle PK de référence. La seconde partie confirme
qu’il est possible d’estimer des concentrations plasmatiques avec des méthodes différentes
de celles actuellement utilisés en pharmacocinétique. Les mêmes algorithmes ont été
sélectionnés et leur ajustement pour la tâche était appréciable. La troisième partie
confirme la possibilité de faire usage des méthodes d'apprentissage automatique pour
la prédiction de relations complexes et typiques à la pharmacologie clinique. Encore
une fois, la forêt aléatoire et l’XGBoost ont donné lieu à un ajustement appréciable.
2021
Papyrus - Université de Montréal
Canada
thèse ou mémoire
Applications
automatisme
Conception
Apprentissage machine
fécondation
Apprentissage
conception
Automatisme
Apprentissage
apprentissage
Applications
Applications
robot
Apprentissage
attention
---
N3-AUTOINDEXEE
Bon temps mauvais temps : Prévision automatisée de la cryptosporidiose saisonnière
en Ontario à base d’apprentissage machine
https://www.canada.ca/fr/sante-publique/services/rapports-publications/releve-maladies-transmissibles-canada-rmtc/numero-mensuel/2020-46/numero-6-4-juin-2020/utilisant-algorithmes-apprentissage-automatique-prevoir-surveillance-maladies-ontario.html
Contexte : L’augmentation de l’utilisation des mégadonnées et de la modélisation prédictive
connexe fondée sur des algorithmes d’apprentissage automatique au cours des deux dernières
décennies a fourni de nouvelles possibilités de surveillance des maladies et de préparation
de la santé publique. Les mégadonnées s’accompagnent de la promesse d’une production
et d’un accès plus rapide à des renseignements précis, ce qui pourrait faciliter la
précision prédictive en santé publique (« santé publique de précision »). À titre
d’exemple, nous avons envisagé de prévoir l’évolution future de l’incidence mensuelle
de la cryptosporidiose en Ontario.
2020
false
false
false
false
Licence Creative Commons - Attribution (BY)
Gouvernement du Canada
Canada
réseaux neuronaux (ordinateur)
algorithmes
Mégadonnées
article de périodique
Ontario
cryptosporidiose
Apprentissage machine
---
N1-VALIDE
Exploitation de compte-rendus médicaux grâce aux word embeddings
https://www.cismef.org/cismef/wp/wp-content/uploads/2020/03/presentation_tal_words_embeddings.pdf
Introduction; Apprentissage automatique et langage naturel; Word Embeddings; Embeddings
et TAL: implémentations; Word Embedding: word2vec; Application des embeddings aux
compte-rendus médicaux; Thèse de science; Classification des documents médicaux; Conclusion
2020
false
false
false
false
true
CHU de Rouen
France
français
cours
Apprentissage machine
traitement du langage naturel
collecte de données
traitement du langage naturel
collecte de données
apprentissage machine
---
N3-AUTOINDEXEE
Tour d'horizon du machine learning
https://www.youtube.com/watch?v=wGlen9OtalM
La maturité actuelle des technologies issues de la science des données (data science)
permet d'envisager l'utilisation massive des données disponibles pour en tirer un
avantage concurrentiel déterminant. Encore faut-il en maîtriser des technologies sous-jacentes.
Cette présentation vise à offrir un point de vue sur le sujet en abordant les principaux
algorithmes le l'apprentissage statistique (SVM, deep learning...) et outils logiciels
permettant leur mise en œuvre. La présentation se fera à partir de cas précis comme
ceux de la recommandation ou reconnaissance de formes
2016
false
false
false
false
France
français
congrès ou conférence
Apprentissage machine
Apprentissage automatique
machine
---
N3-AUTOINDEXEE
Machine learning et chirurgie neuro-orthopédique – prédiction de la flexion du genou
et de l’antéversion du bassin postopératoires au contact initial chez les enfants
atteints de paralysie cérébrale
In Revue de Chirurgie Orthopédique et Traumatologique Volume 101, Issue 7, Supplement,
November 2015, Pages S159
http://www.sciencedirect.com/science/article/pii/S1877051715002956
La paralysie cérébrale (PC) entraîne des troubles de la marche pouvant être caractérisés
par une flexion excessive du genou. La chirurgie d’allongement des ischio-jambiers
(AIJ) diminue la flexion du genou au contact initial (FGCI), mais peut avoir des effets
sur l’antéversion du bassin. L’objectif de ce travail est de prédire le résultat postopératoire
de l’AIJ, dans un contexte de chirurgie multi-sites, sur la FGCI et sur l’antéversion
du bassin au contact initial (ABCI). Les paramètres postopératoires sont estimés,
en fonction de la cinématique et de l’examen clinique préopératoires ainsi que du
programme chirurgical testé, en utilisant des méthodes d’apprentissage supervisé (o
Machine Learning O)....
10.1016/j.rcot.2015.09.053
2016
false
false
false
Elsevier
France
français
résumé ou synthèse en français
Apprentissage machine
paralysie cérébrale
techniques d'aide à la décision
---
N1-VALIDE
L’imagerie cérébrale en psychiatrie clinique : du diagnostic différentiel au machine
learning - In : L'Information Psychiatrique Volume 92, numéro 4, Avril 2016
https://www.jle.com/fr/revues/ipe/e-docs/limagerie_cerebrale_en_psychiatrie_clinique_du_diagnostic_differentiel_au_machine_learning_307008/article.phtml
La neuro-imagerie a connu un essor considérable ces dernières années. De nombreux
travaux indiquent que les utilisations potentielles de la neuro-imagerie en pratique
clinique sont multiples tant à visée diagnostique que pronostique ou pour guider de
nouveaux traitements. Dans cet article, nous décrivons l’utilisation actuelle de l’imagerie
cérébrale, en pratique psychiatrique notamment pour éliminer un diagnostic différentiel.
À partir d’une analyse de la littérature, plusieurs recommandations sont proposées.
Les perspectives offertes par la neuro-imagerie avec le développement des stratégies
de machine learning sont également envisagées. Finalement, les conséquences conceptuelles
du développement de l’imagerie en psychiatrie sont abordées.
10.1684/ipe.2016.1475
2016
false
false
false
John Libbey Eurotext
France
français
article de périodique
neuroimagerie
troubles mentaux
Apprentissage machine
troubles mentaux
troubles mentaux
---
