Retour en haut

Application des quantiles et des expectiles à l’apprentissage machine pour réduire les biais associés à l’intelligence artificielle

  • Maîtrise
  • Doctorat
  • Automne
  • Hiver
  • Bourse offerte


Description du projet

L’apprentissage automatique (machine learning) est de plus en plus utilisé en médecine préventive et prédictive. De nombreux outils sont présentement en développement, notamment afin de détecter les premiers signes d’une maladie, prédire le risque ou le taux de survie ou encore suivre l’évolution d’une pathologie. La plupart des méthodes actuelles d’apprentissage automatique s’articulent autour de l’estimateur de la moyenne à partir de données. La « machine » analyse les données sous différents angles avec l’aide d’algorithmes afin d’améliorer sa performance selon l’objectif initial. Néanmoins, ces méthodes actuelles basées sur la moyenne sont impuissantes en présence d’hétéroscédasticité, c’est-à-dire lorsque les données sont très hétérogènes.

Afin de palier à ce problème, l’objectif du ou de la candidate pour ce projet sera d’intégrer les expectiles et les quantiles aux algorithmes de certaines méthodes d’apprentissage machine (Forêt d’arbre décisionnel, algorithme de « Gradient Boosting », etc.). Ce travail a déjà été accompli pour certaines méthodes comme les méthodes de sélection des variables ou les réseaux de neurones, mais il y a encore d’autres techniques d’apprentissage qui bénéficieraient de l’intégration des expectiles/quantiles pour améliorer la performance d’apprentissage des machines.


Domaines d’études

Statistique appliquée, quantiles et expectiles, méthode d’apprentissage automatique (machine learning).


Début du projet

Dès que possible. Automne 2022 ou Hiver 2023


Direction de recherche

Amadou Barry, professeur


Programme d’études


Profil recherché

  • Être titulaire d’un baccalauréat ou d’une maîtrise en statistiques, mathématiques ou biostatistiques.
  •  Maîtriser le français et l’anglais (oral et écrit)


Soutien financier

L’INRS offre plusieurs programmes de bourses avantageux. Tous les membres étudiants bénéficient d’un soutien financier durant leurs études aux cycles supérieurs.


Lieu

Université du Québec à Chicoutimi (UQAC)
555, boulevard de l’Université
Chicoutimi (Québec) G7H 2B1
CANADA

* Le professeur Amadou Barry fait partie de l’Unité Mixte de recherche INRS-UQAC en santé durable et les locaux de son laboratoire sont situés à l’UQAC.


Soumettre une candidature

Les personnes intéressées sont priées de faire parvenir leur candidature au professeur Amadou Barry en utilisant le formulaire en ligne.

Le dossier de candidature doit comprendre les documents suivants :

  • CV complet
  • Lettre de motivation (max. : 1 page) décrivant les intérêts de recherche
  • Relevés de notes universitaires

L’INRS souscrit aux valeurs d’équité, de diversité et d’inclusion. Il met en œuvre diverses initiatives pour offrir un milieu d’études et de recherche sain, où les différences individuelles sont reconnues, respectées et valorisées. Toutes les personnes qualifiées sont invitées à présenter leur candidature, y compris les membres de groupes sous-représentées dans certains domaines de recherche, comme les femmes, les personnes racisées, les personnes autochtones, les membres des communautés LGBTQ2+ et les personnes en situation de handicap.

Projet Amadou Barry - Application des quantiles et des expectiles à l’apprentissage machine pour réduire les biais associés à l’intelligence artificielle

Titre du projet : Application des quantiles et des expectiles à l’apprentissage machine pour réduire les biais associés à l’intelligence artificielle

Curriculum vitæ *
Taille de téléchargement maximum : 5 Mo
Relevé de notes *
Taille de téléchargement maximum : 5 Mo
Lettre d’intérêt *
Taille de téléchargement maximum : 5 Mo
Comment avez-vous pris connaissance de ce projet d'études?