Initiation à l'intelligence artificielle IA

Objectifs

1 Comprendre l'IA, l'automatisation et les systèmes cognitifs 2 Savoir gérer les données numériques avec la Data Science 3 Connaître les mécanismes et technologies de l'IA 4 Appréhender l'impact de l'IA sur l'économie et les sociétés 5 Pouvoir implémenter un projet basé sur l'IA dans votre entreprise

Programme de la formation

Introduction à la formation Intelligence Artificielle Présentation générale et objectifs de cette formation sur l'intelligence artificielle Comprendre ce qu'est l'« intelligence » artificielle, concepts et principes fondamentaux Au-delà du buzz, faire tomber les mythes et fausses idées Retour historique : d'où vient l'IA ? Des origines dans les années 1950 au Deep Learning (2012-présent) Quelles sont les évolutions récentes et ruptures technologiques du domaine ? Le lien entre Big Data et intelligence artificielle Potentiel et limites de la discipline Terminologie et définitions à connaître : agent, environnement, algorithme, donnée, incertitude... Exemples de cas pratiques : tour de table, échanges entre les participants sur les différents contextes professionnels et perspectives d'application des acquis de la formation. Discussion de groupe sur la portée des victoires de l'IA dans les jeux (échecs, Go, poker...). Gestion des données numériques Qu'est-ce que la Data Science ? Principes et concepts de base L'importance de la donnée dans un contexte IA Les jeux de données, ou datasets Obtenir, stocker et nettoyer des données Ensembles d'entraînement, de validation et de test Outils pour la visualisation de données (Dataviz) Focus sur la qualité des données Exemples de cas pratiques : retours d'expérience et études de cas pour illustrer les enjeux liés à l'acquisition et à la gestion d'ensembles de données. Mécanismes et technologies de l'Intelligence Artificielle Les fondements mathématiques et statistiques de l'IA (l'intuition derrière les processus de décision markoviens, les équations de Bellman...) IA symbolique, systèmes experts et moteurs de règles Machine Learning : qu'est-ce que l'apprentissage automatique ? Les différents types d'apprentissage machine (supervisé, semi-supervisé, par renforcement ou par transfert) Quelques algorithmes : arbres de décision, parcours en largeur, random forest... Deep Learning et réseaux de neurones, principes de fonctionnement Bibliothèques et outils pour le développement d'applications : TensorFlow (Google), Azure Machine Learning Services (Microsoft), PyTorch (Facebook), Keras, SparkML (Open Source) Les plateformes de développement pour créer un chatbot (agent conversationnel) Supports matériels et IA : processeurs, stockage, réseaux, etc. Quid de la loi de Moore ? Exemples de cas pratiques : découverte des possibilités du machine learning, développement d'une intuition sur le fonctionnement des algorithmes d'apprentissage, modélisation d'un réseau de neurones et présentation d'un algorithme et de ses limitations.

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique