Les fondamentaux de l’Intelligence Artificielle

Objectifs pédagogiques

• Connaître les principaux algorithmes de Machine Learning et Deep Learning
• Connaître quelques outils du marché
• Comprendre l’organisation d’un projet en IA et savoir se lancer

‍

IA : Introduction

• Les différents domaines de l’IA : ML, DL, algorithmes génétiques, systèmes experts
• Rappel sur l’apprentissage automatique‍‍
• Atelier : Manipulation d’un outil en ligne pour appréhender les concepts d’apprentissage
  ‍

Objectif opérationnel : Appréhender les concepts d’apprentissage
Moyen d’évaluation : QCM

‍

Les différents outils

• Langages : Python, R, Java, Scala, Javascript
• Rappel sur l’apprentissage automatique
• Frameworks et librairies : Tensorflow, Keras, Caffe, Torch, ScikitLearn, OpenCV
• Plateformes : Watson, Google Cloud AI, AWS AI, Azure AI
• Mobile et web : MLKit, tensorflow.js, MobileNet‍

‍Objectif opérationnel : Connaître les outils du marché
Moyen d’évaluation : QCM

‍

Les basiques associés à des cas d’usage

• Régression, Classification (Random Forest, Gradient Boosting)
• Apprentissage supervisé, non supervisé
• Réseaux de neurones (Multiperceptron, CNN, RNN)
• Reinforcement learning‍
• Atelier : Test d'un preceptron avec le jeu de données MNIST (reconnaissance visuelle)
  ‍

Objectif opérationnel : Comprendre les différents cas d'usage
Moyen d’évaluation : QCM

‍

Les différentes étapes d’un projet IA

• La collecte des données
• L’exploration des données
• Le choix des algorithmes
• L’entrainement d’un nouveau modèle ou le transfert learning
• L’intégration et la mise en production‍

‍Objectif opérationnel : Comprendre l’organisation d’un projet et savoir se lancer
Moyen d’évaluation : QCM

‍

Explorer ses données avec des algorithmes

• Principe des Analyses en Composantes Principales
• La méthode de clustering k-means‍

Atelier : Exploration de données avec l’ACP
Moyen d’évaluation : QCM

‍

Algorithmes : Choix et entraînement

• Arbre de décision pour le choix d’un algorithme
• Utilisation d’outils d’automatisation (AutoML)‍
• Atelier : Choisir le bon algorithme pour des cas d’utilisation – discussion
  ‍

Objectif opérationnel : Savoir choisir le bon algorithme
Moyen d’évaluation : QCM

‍

Intégration et déploiement

• Les spécificités d’intégration en IA
• La mise en production continue de modèles
• L’évolution continue des paramétrages‍
• Atelier : Décrire un processus d’intégration continue d’un projet IA pour votre contexte professionnel
  ‍

Objectif opérationnel : Connaître le processus d’intégration continue d’un projet IA
Moyen d’évaluation : QCM

‍

Moyen d'évaluation final : QCM d'évaluation des connaissances

‍

• THÉORIE : 70%
• PRATIQUE : 30%
• LIEUX : CENTRE DE NANTES, CLASSE A DISTANCE, DANS VOS LOCAUX

‍