Les réseaux neuronaux convolutifs (CNN) ont révolutionné la façon dont nous traitons les images et ils ont contribué de manière significative au succès du Deep learning. Cette semaine, nous allons discuter des avantages qu'offrent les CNN par rapport aux MLP et nous mettrons en œuvre les CNN pour les classifications de séries chronologiques. Ensuite, nous allons présenter les réseaux de neurones récurrents (RNN). En particulier, nous allons discuter des réseaux à Mémoire court long terme et des réseaux à unités récurrentes gérées (Gated Recurrent Unit Networks). Des exercices pratiques permettront de concevoir et d'entraîner tous ces types de réseaux en classification ECG. L'importance des jeux de données d'entraînement, de validation et de test sera soulignée pour éviter l'overfitting et l'évaluation des modèles.

Le développement d'ensembles de données de référence pour les DNN basés sur la base de données MIMIC-III implique plusieurs étapes qui comprennent la sélection des cohortes, la conversion des unités, l'élimination des valeurs aberrantes et l'agrégation des données dans des fenêtres temporelles. Cette dernière étape permet de représenter le serveur d'authentification comme une série de données temporelles, mais elle est également sensible aux données manquantes. C'est pourquoi des stratégies d'imputation basées à la fois sur des techniques traditionnelles et de Deep learning sont présentées. L'apprenant aura la possibilité de prétraiter les DSE et d'entraîner des modèles de Deep learning dans la prédiction de la mortalité à l'hôpital.

Les DSE comprennent des variables catégorielles, ordinales et continues. Une représentation appropriée des données est importante et les encodages affectent les performances de prédiction. Cette semaine comprend plusieurs stratégies différentes pour encoder les données telles que les encodages cibles, les encodages de deep learning et les encodages de similarité. En particulier, les autoencodeurs, qui est une architecture d'apprentissage profond pour représenter les données dans un espace de dimension inférieure, seront démontrés et appliqués à la prédiction de la mortalité à l'hôpital.