Python IA, Machine Learning et Computer Vision appliquée à la Robotique

-Python avancé : compréhensions, générateurs, décorateurs, context managers. NumPy : arrays, broadcasting, opérations vectorielles, algèbre linéaire. Pandas : DataFrames, merge, groupby, pivot, optimisation mémoire. Matplotlib / Seaborn : visualisations statistiques, heatmaps, distributions. Jupyter & VS Code : workflow data science. Pont robotique fi IA : traitement de données capteurs (IMU, GPS, LiDAR) avec Pandas
-Supervisé : régression linéaire/logistique, SVM, Random Forest, XGBoost, k-NN. Non supervisé : K-Means, DBSCAN, PCA, t-SNE. Pipeline scikit-learn : preprocessing, imputation, encodage, pipeline complet. Évaluation : accuracy, précision, rappel, F1, AUC-ROC, RMSE, matrices de confusion. Validation croisée, GridSearchCV, RandomizedSearch. Application robotique : prédiction d'état, classification de gestes, anomaly detection sur signaux.
-PyTorch : tenseurs, autograd, Dataset, DataLoader, boucle d'entraînement. CNN : architectures (ResNet, EfficientNet, ViT), batch norm, dropout. Transfer learning : fine-tuning sur dataset custom, data augmentation. YOLO (Ultralytics) : détection d'objets sur images et vidéo, entraînement custom. U-Net : segmentation sémantique, métriques IoU et Dice. OpenCV : traitement vidéo, soustraction de fond, suivi de contours, pipeline temps réel. Application : détection d'obstacles pour robots mobiles, suivi de trajectoires
-MLflow : tracking d'expériences, model registry, déploiement. Docker pour la robotique : containerisation de noeuds ROS 2 + modèles ML. GitHub Actions : CI/CD pour projets ML+ROS (lint, test, build, push image). Monitoring embarqué : métriques de performance, alertes, drift sur données capteurs. Bonnes pratiques : reproducibilité, documentation, model card pour systèmes embarqués.
-Cas d'usage : système de perception intelligente pour robot mobile ou canne blanche (en lien direct avec le stage ISIR sur la canne pour malvoyants). Stack : PyTorch + ONNX + ROS 2 + Docker + MLflow + GitHub Actions. Livrables : repository GitHub, noeud ROS 2 fonctionnel, rapport technique. Soutenance : démo live du système + présentation des choix techniques.