Montpellier Omics Days – La bioinformatique au service de la société
2 février 2026 – 3 février 2026 @ Toute la journée –
Campus Triolet – Faculté des Sciences de Montpellier – Université de Montpellier
ÉBIM et les étudiants de M2 du master de bioinformatique de l’Université de Montpellier
Les Montpellier Omics Days (MODs) reviennent pour leur 14ᵉ édition. Cette année, l’événement met à l’honneur un thème au cœur des enjeux contemporains : « La bioinformatique au service de la société », avec un accent particulier sur ses applications en santé et en environnement. Les Montpellier Omics Days s’adressent aux chercheurs, étudiants, professionnels et à toute personne intéressée par le rôle croissant de la bioinformatique dans la société.
Bioinformatique
IA : Large Language Models
3 février 2026 @ 14 h 00 min – 16 h 30 min –
Campus Triolet, Pl. Eugène Bataillon, Bat 36, SC 36.09
Gino Frazzoli – Institut de Science des Données de Montpellier
Venez découvrir une approche du Deep Learning sur les LLMs ou Large Language Models, les IA qui se cachent derrière ChatGPT, Claude ou encore le célèbre Chat-ISDM !
Une première partie exposera un aperçu synthétique des LLMs et de leur fonctionnement. Elle sera suivie d’une présentation des applications potentielles et des limites de ces modèles.
IA, Deep Learning, LLM
Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
3 février 2026 @ 14 h 00 min –
Online
Machine Learning in Montpellier, Theory & Practice – Xuelin Yang (UC Berkeley)
We develop new methods to integrate experimental and observational data in causal inference. While randomized controlled trials offer strong internal validity, they are often costly and therefore limited in sample size. Observational data, though cheaper and often with larger sample sizes, are prone to biases due to unmeasured confounders. To harness their complementary strengths, we propose a systematic framework that formulates causal estimation as an empirical risk minimization (ERM) problem. A full model containing the causal parameter is obtained by minimizing a weighted combination of experimental and observational losses—capturing the causal parameter’s validity and the full model’s fit, respectively. The weight is chosen through crossvalidation on the causal parameter across experimental folds. Our experiments on real and synthetic data show the efficacy and reliability of our method. We also provide theoretical non-asymptotic error bounds.
Machine Learning in Montpellier, Theory & Practice