Délégation et relations entre objets en programmation orientée objet (UML et Python) | POO #04

[SUB EN/FR] Introduction to Artificial Intelligence for Health | Master Course AI4OneHealth

Initiation à la programmation orientée objet avec Python | POO #03

Notions de classe et d’objet en programmation orientée objet | POO #02

TP - Validation croisée K-fold stratifiée avec Python et scikit-learn | Cycle avancé IA #12

Validation croisée pour évaluer l’efficacité d’un modèle en machine learning | Cycle avancé IA #11

Ecrire le même code en 3 paradigmes de programmation : procédural, orienté objet, fonctionnel

Introduction à la programmation orientée objet | POO #01

Démo - Clustering hiérarchique avec Python et seaborn | Cycle avancé IA #10

Clustering hiérarchique, méthode non supervisée du machine learning | Cycle avancé IA #9

[SUB EN/FR] Logistic regression with scikit-learn in Python | Task 2 | Master Course AI4Omics

[SUB EN/FR] Basic machine learning pipeline with scikit-learn | Task 1 | Master Course AI4Omics

[SUB EN/FR/RU] Practical session for omics data analysis by machine learning | AI4Omics

Démo - ACP, t-SNE et UMAP avec Python et scikit-learn | Cycle avancé IA #8

Méthodes t-SNE et UMAP pour visualisation et réduction de dimension | Cycle avancé IA #7

ACP - Analyse en composantes principales | Cycle avancé IA #6

Exercice corrigé – Régression Logistique et SVM avec scikit-learn en Python | Cycle avancé IA #5

Exercice corrigé - Decision Tree et Random Forest avec scikit-learn en Python | Cycle avancé IA #4

Démo - Premier modèle d’apprentissage avec scikit-learn en Python | Cycle avancé IA #3

Formalisme du machine learning, fonction de perte, optimisation | Cycle avancé IA #2

Machine learning et problèmes inverses | Cycle avancé IA #1

Annonce de la formation Machine Learning avec Python | Cycle avancé IA

Principes du machine learning avec Sherlock Holmes, régression linéaire et régression logistique

Applications du modèle à risque proportionnel de Cox

Introduction au modèle à risque proportionnel de Cox

Le test du logrank pour comparer des courbes de survie

Créer une courbe de survie de Kaplan-Meier avec Python | Python pour la Science #9

Introduction à l’analyse de survie, courbe de Kaplan-Meier

Créer des graphiques pour une publication scientifique avec matplotlib | Python pour la Science #8

Structurer son code avec des fonctions | Python pour la Science #7

Gestion de tableaux de données avec pandas | Python pour la Science #6

Boucles for et while en Python | Python pour la Science #5

Structures conditionnelles en Python | Python pour la Science #4

Collections en Python : liste, tuple, set et dictionnaire | Python pour la Science #3

Types de données et déclaration de variables | Python pour la Science #2

Installation de Python, de librairies scientifiques et d’un IDE | Python pour la Science #1

2. Leukemia classification using machine learning

1. Main challenges of machine learning for omics

Cours de l'intelligence artificielle et du machine learning pour les biologistes

Introduction to AI for multi-omics analyses | PRECISION ONCOLOGY | BIOLOGY, GENE EXPRESSION

AI for Omics - Use case of leukemia classification - Part 2 (in French)

AI for Omics - Use case of leukemia classification - Part 1 (in French)

AI for Omics - Session Presentation and Organization (in French)

Manage public omics data from NCBI GEO

EpiMed Database - Update a list of gene symbols