Deep learning et intelligence artificielle

L'objectif du certificat « Deep Learning et Intelligence Artificielle » est d'attester de la capacité du candidat à :

• piloter de manière opérationnelle un projet d'intelligence artificielle
• au sein des différentes unités organisationnelles de l'entreprise (production, vente, supports, etc.),
• intégrer et utiliser les technologies les plus avancées du Deep Learning,
• manipuler et exploiter des volumes importants de données en les valorisant.

Cette certification est construite autour de cinq axes offrant au candidat une expertise liée à l'usage intensif de l'intelligence artificielle.
Elle permet tout d'abord au candidat de s'approprier les différentes composantes de l'IA et d'être à même de mettre en place une méthodologie de projet.
A la suite de quoi, le candidat est en mesure de choisir les premières briques technologiques et de développer en autonomie sur les principaux langages du domaine concerné.
Par le biais des réseaux neuronaux, il est capable de dominer les frameworks les plus aboutis du marché. Il est apte à utiliser la puissance des plateformes connectées et des services cloud associés.
Pour finir, le candidat maîtrise les algorithmes et les différentes architectures de réseaux de neurones profonds sur l'ensemble des données, telles que la voix, le langage, le texte, le son, l'image, etc.

En découverte de l'Intelligence Artificielle et du Machine Learning

• C1 - Cerner les enjeux de l'IA
• C2 - Analyser les différentes étapes de construction de projet autour de l'IA
• C3 - Préparer un jeu de données

En programmation et langages de l'Intelligence Artificielle

• C4 - Maîtriser la syntaxe des langages orientés objet dédiés à l'IA (Python, R, Scala, etc.)
• C5 - Coder en programmation orientée objet
• C6 - Maîtriser les paradigmes de la programmation fonctionnelle
• C7 - Coupler des librairies de Data science à un langage choisi (Scikit.Learn, Fast.ai, MLlib, etc.)

En technologies autour de l'Intelligence Artificielle et du Deep Learning

• C8 - Installer et utiliser les différents frameworks (Tensorflow, PyTorch, Spark, etc.)
• C9 - Construire, exploiter et entraîner des réseaux neuronaux à travers l'exécution de notebook
• C10 - Mettre en oeuvre des algorithmes d'apprentissage automatique
• C11 - Manipuler des volumes importants de données en utilisant les bonnes pratiques
• C12 - Utiliser les concepts de Machine Learning et Deep Learning dans les différents frameworks du marché

En plateformes et services cloud dédiés à l'Intelligence Artificielle

• C13 - Créer et déployer des modèles Machine Learning sur une plateforme cloud
• C14 - Utiliser une plateforme de traitement automatique du langage

En applications fonctionnelles du Deep Learning

• C15 - Choisir un algorithme et mesurer sa pertinence
• C16 - Utiliser les modèles d'attentions
• C17 - Maîtriser l'architecture fondamentale du NLP
• C18 - Implémenter une architecture convolutionnelle et une architecture récurrente
• C19 - Résoudre un problème à partir d'un système de récompenses/ pénalités (reinforcement learning)
• C20 - Maîtriser les techniques de Deep Learning les plus récentes