Session deeptech Scikit-learn, la boîte à outils de l’apprentissage automatique niveau 2 les 21 et 22 avril

Session deeptech CGAL, la bibliothèque d’algorithmes géométriques niveau 1 le 29 avril

Session état de l’art Le cerveau, un modèle pour l’intelligence artificielle le 30 avril – NOUVEAU !

Session état de l’art La cybersécurité des systèmes de contrôle industriel le 7 mai

Session état de l’art La sécurité informatique face aux menaces quantiques le 19 mai

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.

A l’issu de cette formation, les apprenants seront en mesure de : 

  • Comprendre les motivations, les principes fondamentaux, et les limitations de l’apprentissage fédéré dans le domaine de la santé
  • Identifier les enjeux de confidentialité et de sécurité associés aux données médicales
  • Connaitre l’écosystème de l’apprentissage fédéré et les outils existants
  • Utiliser Fed-BioMed pour des expériences simples d’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

MOYENS PEDAGOGIQUES MIS EN OEUVRE : 

  • Tout au long de la formation, des quizz conçus avec l’outil Mentimeter permettront aux stagiaires d’évaluer son acquisition des connaissances
  • La session pratique sera réalisée via Google Colab. Chaque participant doit disposer d’un compte Google fonctionnel avant le début de la formation

Pré-requis

  • Connaissance des bibliothèques PyTorch et scikit-learn

Programme

1 – Introduction à l’apprentissage fédéré : fondements théoriques et enjeux (matin)

  • L’apprentissage fédéré dans le domaine de la santé : motivations

  • Principes de l’apprentissage fédéré

  • Algorithmes d’apprentissage fédéré et leurs limites

  • Confidentialité et sécurité

  • Présentation des principaux logiciels dédiés à l’apprentissage fédéré

  • Exemples de déploiements réels

2 – Session pratique avec Fed-BioMed (après-midi)

  • Configuration des nœuds et des jeux de données

  • Exécution d’une expérience complète d’apprentissage fédéré

  • Comparaison des performances centralisées et fédérées

  • Exploration des différents algorithmes d’apprentissage fédéré

  • Application a un problème de vision par ordinateur

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

  • Lucie Chambon

    Lucie Chambon a une formation en modélisation et en analyse de systèmes dynamiques, appliquées à la biologie et à la médecine. Elle est actuellement ingénieure de recherche à l’Inria au sein de l’équipe Epione, où elle collabore avec l’équipe d’ingénierie Fed-BioMed, des partenaires cliniques et la communauté scientifique. Ses travaux actuels portent sur le développement de méthodes pour l’analyse d’images médicales. » Lucie co-anime plusieurs sessions de formation à destination des universités françaises.

    ©Inria

1
800 / pers.

Aucune session disponible actuellement.

Contactez-nous

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

  • Durée : 1 journée (6h).
  • Horaires : 9h-12h / 13h30-16h30.
  • Délais d’accès : les inscriptions s’arrêtent 15 jours avant la date affichée.

  • Informations sur l’admission : l’admission au cours fait l’objet d’une sélection préalable. Le candidat doit répondre aux critères des pré-requis indiqués ci-dessus. 

  • Format : toutes les sessions en dehors de l’intra-entreprise se déroulent en distanciel.

  • Modalités pédagogiques : la formation est délivrée en distanciel, en langue française avec les supports en anglais. Le cours peut se dérouler en anglais si tous les participants sont anglophones. La taille du groupe : 12 personnes maximum.

  • Privatisation du module (session intra-entreprise) : à partir de 5 personnes. Nous contacter via le formulaire de contact.

  • Moyens pédagogiques : le support du cours sera fourni aux participants.

  • Modalités d’évaluation et de suivi : l’évaluation est assurée par les quizz. Une attestation de formation est délivrée à la fin du parcours.

  • Accessibilité – handicap : Inria s’engage à garantir l’accessibilité de ses formations à distance et en présentiel aux personnes en situation de handicap. Plus de détails

 

A propos de nos tarifs

  • Tarif : 800 € par participant 
  • Tarifs dégressifs à partir de 5 personnes (-10% de 5 à 9 inscrits, -20% plus de 10 inscrits)
  • Tarif dégressif pour les entreprises membres du pôle Aktantis (-20%)
  • Modalités de financement : fonds propres

Découvrir

Demander plus d'informations