Les apprenants seront capables d'installer et de configurer des outils Python, d'appliquer des workflows d'apprentissage automatique, de transformer des données de santé, de mettre en œuvre la régression logistique et d'évaluer des modèles de prédiction à l'aide de courbes ROC. Ce cours permet aux étudiants d'acquérir les compétences pratiques nécessaires pour concevoir, développer et tester des solutions d'apprentissage automatique concrètes destinées à l'analyse des données de santé.

Grâce à un accompagnement étape par étape, les apprenants commencent par installer Anaconda et les bibliothèques Python indispensables, puis progressent vers la compréhension du jeu de données « Pima Indians Diabetes », l’exploration des étapes de l’apprentissage automatique et l’application de la régression logistique pour la classification binaire. Le cours met l’accent sur la pratique dans Jupyter Notebook, où les étudiants prétraitent les données en gérant les en-têtes, en encodant les valeurs catégorielles et en divisant les ensembles de données en ensembles d’entraînement et de test. Enfin, les apprenants valident les performances du modèle à l’aide de courbes ROC afin d’interpréter la précision diagnostique. À l’issue de ce cours, les apprenants acquerront la confiance nécessaire pour transformer des ensembles de données de santé en prédictions exploitables. Contrairement aux tutoriels génériques sur l’apprentissage automatique, ce cours se distingue par le fait qu’il s’appuie sur une véritable étude de cas médical, fait le lien entre la théorie et la pratique du codage, et permet de développer à la fois une compréhension conceptuelle et des compétences appliquées en modélisation prédictive.