Atelier animé par Gilles Essoki & Aymeric Floyrac, Health Data Hub

Description 

Certaines bases de données sont particulièrement complexes à manipuler, voire inaccessibles pour le datascientist (pour des raisons, par exemple, d’autorisations). Disposer de données synthétiques, c’est-à-dire de données semblables aux données réelles mais générées aléatoirement, permet au datascientist de développer des scripts et d’acquérir une maîtrise de la base sans jamais l’avoir vue.

Programme

• Introduction: les données synthétiques, définition et intérêt
• Comment créer des données synthétiques?
  1. première approche: sans avoir accès à la base de données réelle
  2. deuxième approche: les problèmes de confidentialité, l’avatarisation
  3. troisième approche: les méthodes de deep learning (réseaux adverses génératifs, autoencodeurs variationnels)
• Conclusion: choisir la meilleure approche et savoir en identifier les limites

Pré-requis

• Notions de deep Learning
• Notions de Python