Chaire de recherche en apprentissage statistique
La Chaire vise le développement de méthodes d’apprentissage statistique pour les données complexes dans les sciences biomédicales et sociales.
Elle se concentre sur les données fonctionnelles, c’est-à-dire les données qui varient sur un continuum et qui peuvent être représentées sous forme de courbes ou de surfaces.
Titulaire de la Chaire
Marzia Angela Cremona
Professeure agrégée
Chaire attribuée par IVADO avec le soutien du FRQ
Contexte entourant la création de la chaire
Dans les sciences biomédicales et sociales, il est de plus en plus fréquent d’obtenir des données qui varient sur un continuum et peuvent être représentées comme des courbes ou des surfaces. C’est le cas, par exemple, des données «omiques» à haute résolution mesurées le long du génome, des données longitudinales telles que les niveaux de glucose dans le sang mesuré en continu, ou des données sur le cours des actions intrajournalières.
Ces données fonctionnelles sont intrinsèquement de dimension infinie, ce qui pose plusieurs défis pour une analyse fiable et robuste, ainsi que pour un calcul efficace et scalable.
Bien que le nombre de publications sur les méthodes et les applications de l’analyse de données fonctionnelles ne cesse d’augmenter, plusieurs outils d’apprentissage automatique n’ont pas encore été généralisés aux données fonctionnelles et les logiciels conviviaux et efficaces pour les non-statisticiennes et les non-statisticiens sont encore rares.
Événements
Il n’y a aucun événement prévu.
Quatre grands axes de recherche
Le programme de recherche de la Chaire s’articule autour de quatre grands axes liés à l’élargissement du champ d’application des méthodes d’analyse de données fonctionnelles dans les sciences biomédicales et sociales.
Axe 1
Développement de méthodes d’apprentissage non supervisé pour les données fonctionnelles
Cet axe de recherche porte sur les problèmes d’apprentissage non supervisé liés à la découverte de motifs fonctionnels (c’est-à-dire de formes répétées) dans un ensemble de courbes et à la réduction de la dimensionnalité d’un ensemble de courbes.
Axe 2
Développement de méthodes d’apprentissage supervisé pour les données fonctionnelles
Cet axe se concentre sur différents aspects des modèles de régression linéaire et de régression logistique, dans le cas où la variable à prédire ou les prédicteurs sont des données fonctionnelles.
Axe 3
Application des méthodes d’IA aux sciences biomédicales
Cet axe de recherche vise l’analyse de données biomédicales en combinant différentes méthodes d’intelligence artificielle (IA), ML et statistique pour les données complexes, les données fonctionnelles entre autres. En particulier, il se concentre sur les données «omiques» mesurées à haute résolution le long du génome et sur les données longitudinales à haute résolution liées au diabète de type 1.
Axe 4
Application des méthodes d’IA aux sciences sociales
Cet axe de recherche vise l’utilisation de différentes techniques d’intelligence artificielle (IA), plus en particulier de ML, aux données issues du domaine de la finance et de sciences de l’environnement.
Objectifs de la Chaire
- Développer de nouvelles méthodes d’apprentissage statistique/automatique pour les données fonctionnelles, en combinant les statistiques et l’informatique afin de produire des outils conviviaux et efficaces en termes de calcul, qui reposent sur des racines statistiques solides afin d’être plus raisonnants.
- Aborder les questions de la robustesse statistique, de l’interprétabilité et des possibles biais des méthodologies développées.
- Généraliser et adapter ces méthodes, ainsi que d’autres méthodes d’intelligence artificielle (IA), afin qu’elles puissent être facilement appliquées à l’analyse de différentes données dans le contexte des sciences biomédicales et sociales.
- Promouvoir les techniques d’analyse de données fonctionnelles dans la communauté IA, pour attirer plus de chercheuses et de chercheurs dans le domaine et exploiter les idées d’analyse de données fonctionnelles dans leurs outils et analyses.
Retombées de la Chaire
La Chaire va étendre le champ d’application des techniques d’analyse de données fonctionnelles en IA pour produire des méthodes qui reposent sur des racines statistiques solides et qui sont capables d’extraire les informations pertinentes de ces données dans plusieurs domaines.
La Chaire favorise la formation de personnel hautement qualifié en apprentissage statistique et analyse des données, en offrant une formation multidisciplinaire, collaborative et internationale.
Nous
joindre
Département d’opération et systèmes de décision
Pavillon Palasis-Prince, local 2449
2335, rue de la Terrasse
Université Laval
Québec (Québec) G1V 0A6
Titulaire
Marzia Angela Cremona