Prochaine session deeptech SOFA, le moteur de simulation multiphysique débutant le 22 mai (course in English!)

Prochaine session deeptech SOFA, le moteur de simulation multiphysique avancé le 27 mai (course in English!)

Prochaine session deeptech Analyse des données de santé sensibles par l’apprentissage fédéré le 4 juin (NOUVEAU !)

Prochaine session executive education Apprentissage automatique, les briques technologiques pour les PME le 5 juin

Prochaine session état de l’art La cybersécurité des systèmes de contrôle industriel le 12 juin

Toutes nos formations
apprentissage automatique Intelligence artificielle Santé

Analyse des données de santé sensibles par l’apprentissage fédéré

 Module deeptech 
Ce module vise à former sur les avancées actuelles en matière d’apprentissage fédéré (Federated Learning) pour les applications exploitant des données sensibles dans le domaine de la santé. L’intérêt pour l’apprentissage fédéré était fulgurant dans les dernières années, toutefois l’application de cette technologie à des domaines sensibles, tels que les soins par exemple, reste difficile en raison de la complexité du traitement de données hétérogènes et du partage des données de santé, ainsi que de la difficulté pratique de déployer des architectures fédérées dans le monde réel. © Inria / Photo M. Magnin

Session:

Aucune session disponible actuellement.

Contactez-nous !

Objectifs

L’objectif de ce module consiste à introduire le sujet de l’apprentissage fédéré en fournissant aux apprenants des clefs pour le traitement de l’hétérogénéité dans l’analyse de l’information biomédicale. La session comporte une partie théorique (matin) et une partie pratique (après-midi). Elle introduira au logiciel Fed-BioMed visant à transposer l’apprentissage fédéré aux applications de soins en santé. Logiciel OpenSource développé par Inria et ses partenaires, Fed-BioMed apporte une réponse aux défis majeurs tels que la sécurité, l’extensibilité et l’interopérabilité de l’apprentissage fédéré.

Public cible : développeurs et ingénieurs R&D dans le domaine de la santé qui s’intéressent aux nouvelles méthodes de traitement des données

This session could be delivered in English if the whole group has a good command of English.

Pré-requis

  • Connaissance des bibliothèques PyTorch et scikit-learn

Programme

  • Introduction à l’apprentissage fédéré : fondements théoriques et défis de l’apprentissage fédéré
    • Start the Network
    • Set up the Nodes
    • Remove a dataset
    • Start the Nodes
    • Run the practical session
    • Datasets
    • Troubleshooting
    • FedAVG and FedProx
    • Federated VAEs
    • Federated Multi-channel VAEs sur MNIST
    • Federated Multi-channel VAEs sur les données biomédicales
  • Partie pratique :
    • Network setup & nodes management
    • Training plan
    • Data Loading Plan
    • Méthodes d’agrégation
    • Méthodes d’agrégation sécurisée
    • Exemples pratiques: VAEs fédéré sur les données tabulaires et d’image

Pour s’exercer dans la partie pratique, les apprenants auront l’opportunité d’entraîner des modèles de ML de manière distribuée sur le cluster scientifique d’Inria.

Intervenant(s)

  • Marco Lorenzi

    Chercheur Inria

    Chercheur à Inria, Marco Lorenzi est spécialisé dans les méthodes informatiques et statistiques pour l’analyse des données biomédicales et des images cérébrales. Ses recherches actuelles portent sur la modélisation bayésienne et la quantification de l’incertitude, l’analyse des séries temporelles, les modèles de variables latentes et l’apprentissage fédéré.

    @UNICA

  • Francesco Cremonesi

    Ingénieur de recherche Inria

    Ingénieur de recherche et développement à Inria, Francesco Cremonesi allie une formation en neurosciences computationnelles et calcul intensif avec une experience dans la structuration des données médicales et leur analyse avec IA. Ses intérêts de recherche sont autour de le développement et déploiement d’infrastructures fédérées dans la recherche en santé, l’intégration des connaissances du domaine avec des méthodes d’apprentissage, et l’interoperabilité des données

    @coll.privée

Les prochaines sessions

1

Projet AI&Health

Cette formation a été développée avec le concours du projet européen AI&Health qui vise à proposer aux professionnels du secteur santé les programmes de formation en intelligence artificielle.

Projet AI&Health
En savoir plus sur le projet AI&Health

Informations pratiques

  • Tarif de lancement: 650 € par participant ;
  • Tarifs dégressifs à partir de 5 personnes (-10% de 5 à 9 inscrits, -20% plus de 10 inscrits) ;
  • Partenariat avec le pôle Systematic et le pôle Aktantis : les entreprises membres du pôle bénéficient d’un tarif privilégié de 500 € ;
  • Durée : 1 journée (6 heures, de 9h à 12h et de 14h à 17h) ;
  • Lieu : en distanciel ;
  • Nombre de participants : jusqu’à 12 personnes ;
  • Privatisation : La privatisation de cette formation est possible au sein d’une même entreprise à partir de dix participants.

Découvrir

Demander plus d'informations