cours 9

Question 1

la science des données: domaine multidiscipliaire

Answer 1

• Au centre, nous retrouvons data science et autour nous avons : hacker mindset, statistics, math, advanced computing, data engineering, domain expertise, scientific method et visualization

Question 2

apprentissage supervisé: comment ça marche?

Answer 2

• Entre le classifieur et les données test, il y a une phase de test où est-ce qu’on utilise la validation croisée. On va répéter la procédure en changeant les sets de training et de test avec une répartition de 80/20.
• Le choix de l’algorithme est dans les mains du chercheur qui peut choisir entre le KNN, SVM, LDA, NB, etc.

Question 3

loi binomiale

Answer 3

o Déterminer le seuil % de prédiction à dépasser en fonction de valeur de p et du nombre d’observations N

Question 4

test de permutations

Answer 4

o Générer une distribution nulle à partir des mêmes données en mélangeant aléatoirement les étiquettes

Question 5

shallow vs deep learning

Answer 5

• Shallow: on a un modèle qui est simple et qui a une capacité limitée d’apprendre des patrons complexes des données (ex : KNN, arbres de décision, régression, support vector machine (SVM)). On fait une extraction manuelle des attributs
• Deep: utiliser des networks neuronaux avec plusieurs couches pour apprendre, automatiquement, des patrons complexes et des représentations des données
  o Démontrer dans la reconnaissance d’images et parole, processus langagiers et dans les jeux
  o Ex : CNN, RNN
  o Extraction des données hiérarchiquement

Question 6

pourquoi se server de l’apprentissage machine en neurosciences?

Answer 6

• Données cérébrales : multi-dimensionnelles et complexes
• Fouille des données (data mining) grâce à l’IA
• Identification de marqueurs pertinents via leur capacité de discriminer des processus cognitifs ou conditions cliniques
  o Ex : indiquer que le cortex préfrontal est impliqué dans les cas de schizophrénie (rapporter ceci aux cliniciens et non le decoding accuracy %)
• Modélisation du traitement de l’information (ANN, RL) – faire la comparaison entre les humains et l’IA