Intelligence artificielle - fondamentaux, perspectives & cas d'usages

Objectifs

A l'issue de cette formation, le participant sera en capacité de :
- Maîtriser les enjeux de l'Intelligence Artificielle.
- Identifier les opportunités à partir de cas d'usage métiers.
- Appliquer le vocabulaire lié à cette discipline aux multiples facettes pour pouvoir dialoguer avec les équipes techniques.
- Maîtriser les technologies.

Programme de la formation

Introduction et fondamentaux en apprentissage automatique
- Enjeux et problématiques pour le machine learning.
- Introduction aux concepts de base et techniques pertinentes : apprentissage supervisé et non supervisé.
- Classification versus prédiction.
- Classification : classification hiérarchique non supervisée, modèles graphiques probabilistes, classification à partir des méthodes des plus proches voisins, des modèles graphiques probabilistes et de l'analyse discriminante, méthodes à base de machine à vecteurs de support et méthodes à noyaux.
- Prédiction : méthode des plus proches voisins, régression linéaire/non-linéaire, régression robuste.
Apprentissage non-supervisé et cas d'usage
- Clustering.
- Visualisation et réduction de dimension.
- Aide à la décision.
- Application à des cas d'usage.
Algorithmes et réseaux neuronaux
- Enjeux de l'IA et de l'apprentissage profond.
- Sensibilisation aux enjeux de l'apprentissage de représentation via un réseau de neurones.
- Introduction des concepts de base de l'apprentissage profond (le perceptron, le perceptron multicouche) sur lesquels sont basés les réseaux neuronaux et leurs architectures.
- Présentation du fonctionnement des approches populaires de Deep Learning.
- Découverte des avantages et des limites des réseaux neuronaux.
- Dans une optique d'approfondissement, nous introduirons les réseaux de neurones convolutionnels (CNN) et les briques de bases de leurs architectures adaptées aux données images.
- Des références de livres seront données pour permettre l'approfondissement vers les différents types de réseaux de neurones plus avancés et dérivant des bases et fondamentaux présentés.
- Des références vers des livres et liens notebook seront donnés pour pratiquer de façon guidée et s'approprier les librairies Python associées aux approches présentées et à d'autres méthodes de réseaux de neurones plus avancées.

Validation et sanction

Attestation de suivi de présence

Type de formation

Non certifiante

Sortie

Sans niveau spécifique