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 formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique