Fondamentaux de l’intelligence Artificielle

Qu'est ce que l'Intelligence Artificielle et le Deep learning?

3 jours

3050€ HT

4 pers. max

94% de satisfaction

sur les formations ARCPLEX

Score test de fin de formation :

pas encore de test disponible

Sinscrire à la formation

Test de positionnement pour cette formation

Nous contacter

Les pré-requis

Bonnes connaissances des composantes d’un système d’information L'Intelligence Artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication). Ce module vous présentera les principales approches de l'intelligence dans la résolution de problèmes. Un grand nombre d'applications seront présentées, du traitement de la donnée brute à la création de contenus originaux en passant par le contrôle d'agents, la classification automatisée ou l'approximation d'une donnée pour en faciliter sa compréhension et sa manipulation.

Public concerné

Chefs de projets “métiers”, chefs de produit, product owner.

Les objectifs

Comprendre réellement ce que sont les outils Machine et Deep Learning, leurs potentiels et leurs limites
Avoir une vision à date de l'état de l'art de ces domaines
Connaître et comprendre les applications de ces domaines à différents domaines de l'industrie
Maîtriser les méthodologies et connaître les outils propres aux projets d'intelligence artificielle

Programme de formation

Qu'est-ce que l'Intelligence Artificielle (jusqu'aux réseaux de neurones) ?

Le fantasme de l'Intelligence Artificielle et la réalité d'aujourd'hui.
Tâche intellectuelle versus algorithmes.
Types d'actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité.
Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels.
Algorithmes génétiques : faire évoluer une population d'agents virtuels par sélection.
Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest).

Réseaux de neurones et Deep Learning

Qu'est-ce qu'un réseau de neurones ?
Qu'est-ce que l'apprentissage d'un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence.
Approximer une fonction par un réseau de neurones : présentation et exemples.
Approximer une distribution par un réseau de neurones : présentation et exemples.
Génération de représentations internes au sein d'un réseau de neurones.
Généralisation des résultats d'un réseau de neurones.
Révolution du Deep Learning : généricité des outils et des problématiques.

Démonstration Présentation d'un algorithme de classification et de ses limites. Applications du Deep Learning

Classification de données. Les différents scénarios : donnée brute, image, son, texte, etc.
Les enjeux d'une classification de données et les choix impliqués par un modèle de classification.
Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network. Machine Learning.
Prédiction d'information et donnée séquentielle/temporelle. Enjeux et limites d'une prédiction d'information.
Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction. Outils usuels de prédiction.
Transformation/génération de données. Opération de réinterprétation d'une donnée : débruitage, segmentation d'image...
Opération de transformation sur un même format : traduction de texte d'une langue à une autre...
Opération de génération de donnée "originale" : Neural Style, génération d'images à partir de présentations textuelles.
Reinforcement Learning : contrôle d'un environnement.
Experience Replay et apprentissage de jeux vidéo par un réseau de neurones.

Démonstration Classification d'images médicales. Prévision des images suivant une séquence vidéo. Contrôle de simulations numériques. Quels problèmes peut-on adresser avec le Machine/Deep Learning ?

Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description.
Donnée brute vs features travaillées : que choisir ?
Machine Learning versus Deep Learning : les algorithmes plus anciens du Machine Learning ou les réseaux de neurones ?
Qualifier le problème : Unsupervised Learning versus Supervised Learning.
Qualifier la solution d'un problème : comprendre la distance entre une affirmation et le résultat d'un algorithme.

Etude de cas Qualification d'une problématique pouvant être traitée avec l'IA. Génération d'un Dataset

Qu'est-ce qu'un Dataset ?
Stocker/contrôler la donnée : surveiller les biais, nettoyer/convertir sans s'interdire des retours en arrière.
Comprendre la donnée : représentation des outils statistiques permettant une vision d'une donnée, sa distribution...
Formater une donnée : décider d'un format d'entrée et de sortie, faire le lien avec la qualification du problème.
Préparer la donnée : définition des Train Set, Validation Set et Test Set.
Mettre en place une structure permettant de garantir que les algorithmes utilisés sont réellement pertinents (ou non).

Echanges Définition d'un Dataset et sa différence avec un BDD usuel. Recherche de la solution optimale

Méthodologie pour avancer dans la recherche d'une meilleure solution à un problème ML/DL.
Choix d'une direction de recherche, localisation de publications ou de projets similaires existants.
Itérations successives depuis les algorithmes les plus simples jusqu'aux architectures les plus complexes.
Conservation d'un banc de comparaison transversal.
Arriver à une solution optimale.

Etude de cas Grouper et balancer un ensemble de solutions pour obtenir une solution optimale. Les outils

Quels outils existent-t-il aujourd'hui ?
Quels outils pour la recherche et quels outils pour l'industrie ?
De Keras/Lasagne à Caffe en passant par Torch, Theano, Tensorflow ou Apache Spark ou Hadoop.
Industrialiser un réseau de neurones par un encadrement strict de son processus et un monitoring continu.
Mise en place de réapprentissages successifs pour conserver un réseau à jour et optimal.
Former des utilisateurs à la compréhension du réseau.

Démonstration Mise en place de réapprentissages successifs.

Télécharger le programme

Qu'est-ce que l'Intelligence Artificielle (jusqu'aux réseaux de neurones) ?

Le fantasme de l'Intelligence Artificielle et la réalité d'aujourd'hui.
Tâche intellectuelle versus algorithmes.
Types d'actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité.
Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels.
Algorithmes génétiques : faire évoluer une population d'agents virtuels par sélection.
Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest).

Réseaux de neurones et Deep Learning

Qu'est-ce qu'un réseau de neurones ?
Qu'est-ce que l'apprentissage d'un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence.
Approximer une fonction par un réseau de neurones : présentation et exemples.
Approximer une distribution par un réseau de neurones : présentation et exemples.
Génération de représentations internes au sein d'un réseau de neurones.
Généralisation des résultats d'un réseau de neurones.
Révolution du Deep Learning : généricité des outils et des problématiques.

Démonstration Présentation d'un algorithme de classification et de ses limites. Applications du Deep Learning

Classification de données. Les différents scénarios : donnée brute, image, son, texte, etc.
Les enjeux d'une classification de données et les choix impliqués par un modèle de classification.
Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network. Machine Learning.
Prédiction d'information et donnée séquentielle/temporelle. Enjeux et limites d'une prédiction d'information.
Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction. Outils usuels de prédiction.
Transformation/génération de données. Opération de réinterprétation d'une donnée : débruitage, segmentation d'image...
Opération de transformation sur un même format : traduction de texte d'une langue à une autre...
Opération de génération de donnée "originale" : Neural Style, génération d'images à partir de présentations textuelles.
Reinforcement Learning : contrôle d'un environnement.
Experience Replay et apprentissage de jeux vidéo par un réseau de neurones.

Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description.
Donnée brute vs features travaillées : que choisir ?
Machine Learning versus Deep Learning : les algorithmes plus anciens du Machine Learning ou les réseaux de neurones ?
Qualifier le problème : Unsupervised Learning versus Supervised Learning.
Qualifier la solution d'un problème : comprendre la distance entre une affirmation et le résultat d'un algorithme.

Etude de cas Qualification d'une problématique pouvant être traitée avec l'IA. Génération d'un Dataset

Qu'est-ce qu'un Dataset ?
Stocker/contrôler la donnée : surveiller les biais, nettoyer/convertir sans s'interdire des retours en arrière.
Comprendre la donnée : représentation des outils statistiques permettant une vision d'une donnée, sa distribution...
Formater une donnée : décider d'un format d'entrée et de sortie, faire le lien avec la qualification du problème.
Préparer la donnée : définition des Train Set, Validation Set et Test Set.
Mettre en place une structure permettant de garantir que les algorithmes utilisés sont réellement pertinents (ou non).

Echanges Définition d'un Dataset et sa différence avec un BDD usuel. Recherche de la solution optimale

Méthodologie pour avancer dans la recherche d'une meilleure solution à un problème ML/DL.
Choix d'une direction de recherche, localisation de publications ou de projets similaires existants.
Itérations successives depuis les algorithmes les plus simples jusqu'aux architectures les plus complexes.
Conservation d'un banc de comparaison transversal.
Arriver à une solution optimale.

Etude de cas Grouper et balancer un ensemble de solutions pour obtenir une solution optimale. Les outils

Quels outils existent-t-il aujourd'hui ?
Quels outils pour la recherche et quels outils pour l'industrie ?
De Keras/Lasagne à Caffe en passant par Torch, Theano, Tensorflow ou Apache Spark ou Hadoop.
Industrialiser un réseau de neurones par un encadrement strict de son processus et un monitoring continu.
Mise en place de réapprentissages successifs pour conserver un réseau à jour et optimal.
Former des utilisateurs à la compréhension du réseau.

Démonstration Mise en place de réapprentissages successifs.

Mise à jour : 29 mai 2024

Modalités d’évaluation

QCM,TP

Attestation

Attestation de suivi de formation

Voir les modalités et accès

Notre Formateur

Marc PYBOURDIN

CTO

Développeur

Infrastructure et service

Fondateur d’Arcplex et d’Arcplex Formation « Transmettre ses connaissances a toujours été une passion ainsi qu’un excellent moyen de se reposer de nouvelles questions sur ce que nous faisons au quotidien dans nos métiers. » Après une carrière mélangeant en permanence conseil en informatique et pédagogie, dont la responsabilité pédagogique de plusieurs écoles et centres de formation professionels, il crée ARCPLEX pour concilier ces deux domaines dans une seule et même structure. Transmettre est dans ses gènes. Aujourd’hui, architecte, dirigeant et directeur technique pour le compte de plusieurs clients, c’est toujours avec autant de plaisir qu’il apprécie transmettre ses compétences et ses connaissances.

Des formations certifiées

Une question ?

Pour tout renseignements ou prise de contact avec notre organisme de formation, prenez contact avec notre équipe.

Expertise

Nous travaillons avec des formateurs experts dans leur domaine et qualifiés pour dispenser des formations.

Accessibilité

ARCPLEX attache une importance toute particulière à l’inclusion des personnes en situation d’handicap.Contactez-nous pour un accompagnement personnalisé.