Dans ce module, nous abordons ce qui est peut-être le facteur le plus important qui détermine le succès des algorithmes d'IA : les données. En particulier, nous aborderons certains des principaux défis à relever lors de la collecte et du traitement des données relatives aux soins de santé. Ce module présentera également les techniques d'IA qui composent la famille de l'Apprentissage automatique supervisé (ML). Cette section vous guidera à travers le cadre conceptuel et les mathématiques fondamentales qui sous-tendent ces techniques. Enfin, nous explorerons les approches courantes utilisées pour évaluer les performances de ces types de modèles. À la fin de ce module, vous devriez avoir une compréhension fondamentale des défis auxquels est confrontée la curation des données de santé, des approches mathématiques pour formuler les problèmes de science des données de santé qui impliquent le diagnostic et la prédiction, et les approches fondamentales les plus importantes de ML dans ces problèmes, tels que les arbres de classification, et les méthodes de classificateurs d'ensemble

Qu'est-ce que l'intelligence artificielle (IA) ? Avant même que les scientifiques n'inventent ce terme, des chercheurs tels qu'Alan Turing et John von Neumann s'attaquaient à de nombreux défis mathématiques et logiques auxquels les chercheurs en IA sont encore confrontés aujourd'hui. Depuis que le terme a été inventé lors d'une conférence à l'été 1957, les scientifiques, les philosophes et les décideurs politiques ont vivement débattu de la manière de définir l'IA. Cependant, comme il ne s'agit pas d'un cours de mathématiques, d'informatique ou de philosophie, notre objectif dans ce module est de vous fournir des définitions pratiques des termes clés associés à l'IA et de vous donner un aperçu qualitatif des modèles d'IA les plus courants. Nous espérons que certains d'entre vous seront incités à suivre des cours supplémentaires qui exploreront plus rigoureusement les sujets abordés dans ce module.

Dans ce module, nous allons introduire le concept de modèles génératifs d'apprentissage automatique (ML) et expliquer en quoi ces modèles sont différents des modèles discriminatifs que nous avons appris à connaître dans les modules précédents. Si vous ne savez pas ce que signifie " modèles discriminatifs ", continuez à lire et nous définirons le terme avant d'aller beaucoup plus loin. À partir de cette base, nous introduirons le concept d'IA générative et explorerons la façon dont elle s'inscrit dans le domaine plus large de la ML. Après avoir appris quelques bases sur l'IA générative, nous plongerons dans les grands modèles de langage (LLM), nous apprendrons comment les hallucinations sont mieux considérées comme des erreurs.