Introduction à l'intelligence artificielle : outils et enjeux Réf : IIA

Par Eric Debeir

L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.).

Durée :
2 jours

1 980 € HT (prix conseillé)

Partage :

  • Twitter
  • Facebook
  • E-mail
  • Linkedin
  • Viadeo

Soyez alertés par e-mail des nouvelles sessions : Poser une alerte,

Description

L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est de présenter réellement ces approches et ce qu’elles apportent dans la résolution de problèmes considérés comme « intelligents ». Un grand nombre d’applications sont présentées, du traitement de 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 faciliter sa compréhension et sa manipulation. Enfin, un axe important est celui de l’opportunité comme de la méthodologie de mise en œuvre de tels projets. Le Deep Learning connaît comme tout outil de nombreuses limites, et son application suppose une réelle méthode pour comprendre un résultat final de qualité

Objectifs pédagogiques

A l'issue de cette formation, les participants seront en mesure de :
  • 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


Public

« Grand public », Gestion ou direction de projet non spécialisée en informatique ou mathématiques

Pré-requis

Gestion d’un projet numérique

Type

Séminaire

Méthode pédagogique

Présentation, échanges et études de cas - Formation théorique avec applications décidée en amont avec les stagiaires

Plan de cours

PROGRAMME DE LA 1ERE JOURNEE DE FORMATION
Intelligence artificielle : concepts et exemples
 
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 VS algorithmes
  • Types de tâches : supervised learning, unsupervised learning, reinforcement learning
  • Types d’actions : classification, régression, clustering, estimation de densité, réduction de dimensionalité
  • 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 ?
  • Présentation d’un neurone et de couches de neurones logiques
  • Qu’est-ce que l’apprentissage d’un réseau de neurones ? Deep VS 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
Applications Deep Learning 
  • Classification de données
Comprendre ce qu’est la classification de données dans différents scénarios : donnée brute, image, son, texte, etc.
Comprendre les enjeux d’une classification de données et les choix impliqués par un modèle de classification.
Présentation des outils usuels de classification et notamment des réseaux de type MLP (Multilayer perceptron) ou CNN (Convolutional neural network) VS outils de Machine Learnig (Random Forest, Naïve bayes)
Présentation d’exemples de solutions existantes (par exemple : classification d’images médicales, d’historique client, de textes rédigés par des utilisateurs, etc.)
Clustering : cas particulier d’apprentissage non supervisé. 
  • Prédiction d’information et donnée séquentielle/temporelle 
Enjeux et limite d’une prédiction d’information
Recherche de règles structurelles au sein de la donnée pouvant permettre une logique de prédiction.
La prédiction comme une classification ou une régression o Présentation des outils usuels de prédiction : RNN (Recurrent Neural Networks), LSTM (Long Short Term Memory) ou côté Machine Learning, ARIMA
Exemples : prévision des images suivant une séquence vidéo. Prédiction de pollution atmosphérique en milieu urbain, ou autres. 
  • Transformation / Génération de données 
Qu’est-ce que transformer une donnée exactement ?
Quelles barrières, quels enjeux.
Opération de ré-interprétation d’une même donnée : dé-bruitage, génération de résumés textuels, segmentation d’image
Opération de transformation sur un même format : traduction de texte d’une langue à une autre (présentation sommaire de l’architecture Google Machine Translation), super-résolution
Opération de génération de donnée « originale » : neural Style, super-résolution, génération d’images à partir de présentations textuelles 
  • Reinforcement Learning : contrôle d’un environnement 
Présentation du Deep Reinforcement Learning
Experience Replay et apprentissage de jeux vidéo par un réseau de neurones
Applications : contrôle de simulations numériques, voiture automatique, robotique 

PROGRAMME DE LA 2EME JOURNEE DE FORMATION
Outils et mise en œuvre d’un projet IA 

 
Quels problèmes peut-on adresser avec Machine/Deep Learning ? 
  • Condition sur les données : volumétries, dimensionnement, équilibre entre les classes, description. (Curse of dimensionality, No Free Lunch theorem)
  • Donnée brute VS features travaillées : que choisir ?
  • Machine Learning VS Deep Learning : quand préférer les algorithmes plus anciens du Machine Learning aux réseaux de neurones ?
  • Qualifier le problème : unsupervised learning ? Supervised learning
  • Qualifier la solution d’un problème : comprendre la distance entre une affirmation et le résultat d’un algorithme.
Mise en œuvre d’un projet, étape 1 : générer un Dataset 
  • Qu’est-ce qu’un Dataset ? Qu’est-ce qui le sépare une base de données usuelle ?
  • Accumuler et contrôler la donnée : surveiller les biais, nettoyer ou convertir la donnée sans s’interdire de retours en arrière.
  • Comprendre la donnée : représentation de quelques outils statistiques permettant une première vision d’une donnée, sa distribution, ses comportements aberrants…
  • 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)
 Mise en œuvre d’un projet, étape 2 : itérations successives 
  • 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
  • Grouper et balancer un ensemble de solutions pour obtenir une solution optimale
Mise en œuvre d’un projet, étape 3 : industrialisation 
  • Quels outils existent 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 et à sa bonne utilisation. 
 
 

Prochaines sessions

Aucune session de planifiée à ce jour, veuillez nous contacter pour avoir plus d'info ou suggérez vous-même une session.


Proposer une session.

Pas de témoignage pour l'instant.

Cher(e) visiteur(euse),
Nous vous remercions pour l'intérêt porté à nos formations. La pré-inscription à une session de formation se fait via le formulaire d'inscription de la page formation.

La Convention de Formation Professionnelle Continue simplifiée vous sera envoyée par mail dans les 72H max. Votre inscription est considérée comme définitive, une fois cette convention signée par votre entreprise ou OPCA. La facture sera émise à l'issue de la formation, comme mentionnée dans nos conditions générales de vente.

A noter que les demandeurs d'emploi peuvent bénéficier d'une remise de 20% sur le prix public.

Pour toute information complémentaire ou demande de devis, n'hésitez pas à nous contacter au 01 53 34 66 10 ou à nous solliciter par mail.

A très bientôt dans l'un de nos centres de formation.
L'équipe Clever-Institut.

Les autres formations « Big data »  – Voir toutes les formations