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).;

Acronyme CISMeF : AA; ML;

Synonyme MeSH : Apprentissage artificiel; Apprentissage automatique; Apprentissage-machine;

Détails


Consulter ci-dessous une sélection des principales ressources :

Vous pouvez consulter :

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
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
L’imagerie cérébrale en psychiatrie clinique : du diagnostic différentiel au machine learning - In : L'Information Psychiatrique Volume 92, numéro 4, Avril 2016
http://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

---
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

---
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
006.31 - Apprentissage automatique
machine

---
Courriel (Nous ne répondons pas aux questions de santé personnelles.)
22/09/2020


[Accueil] [Haut de page]

© CHU de Rouen. Toute utilisation partielle ou totale de ce document doit mentionner la source.