Accueil / Intelligence Artificielle, enjeux et outils

Intelligence Artificielle, enjeux et outils

Durée : 2 jours
Tarif Inter : 1400 €
Tarif sur mesure : Nous consulter
Référence : 4IAE

  • Partagez sur
  • Téléchargez en
  • Inscrivez vous
Programme Public & Pré-requis Organisation

Présentation

L’Intelligence Artificielle a transformé radicalement la science mais également un certain nombre de secteurs tels que l’industrie, la médecine ou la communication.

Cette formation sous forme de séminaire vous permettra de découvrir les grandes approches de l’IA pour la résolution de problèmes.

Différents types d’application vous seront présentées, vous permettant de comprendre et d’investiguer la puissance et l’intérêt de l’IA transposé votre propre activité.

Objectifs

  • Comprendre les concepts de Machine Learning et Deep Learning, les potentiels et limites de ces outils
  • Mettre à jour ses connaissances sur l’évolution passée et le potentiel actuel des outils de Machine et Deep Learning
  • Découvrir et intégrer comment le Machine et le Deep Learning peuvent être appliqués à divers domaines de l’industrie
  • Utiliser de manière avancée les méthodologies de gestion de projets d’intelligence artificielle et connaître les outils associés

Programme

  1. Comprendre l’Intelligence Artificielle

    • L’Intelligence Artificielle fantasmée vs la réalité
    • Notion de tâche intellectuelle comparée aux algorithmes
    • Les différents types d’actions réalisables :
      • Classification
      • Régression
      • Clustering
      • Estimation de densité
      • Réduction de dimensionnalité.
    • Concept d’intelligence collective en IA
    • Algorithmes génétiques et sélection des agents
      • Définition du Machine Learning
      • Les grands algorithmes : XGBoost et Random Forest.
  2. Deep Learning, réseaux de neurones

    • Définition d’un réseau de neurones
    • Découverte de l’apprentissage d’un réseau de neurones. Les types de réseau
    • Présentation et exemples d’approximation de fonction par un réseau de neurones
    • Présentation et exemples d’approximation de distribution par un réseau de neurones
    • Générer des représentations internes dans un réseau de neurones
    • Généraliser les résultats d’un réseau de neurones
    • Deep Learning et généricité des outils
  3. Les différentes applications du Deep Learning

    • Classification de données
    • Enjeux de la classification de données, conséquences du choix d’un modèle de classification
    • Les outils de classification
    • La prédiction d’information et les données séquentielles. Intérêt et limites
    • Logique de prédiction et règles structurelles de donnée. Outils communs de prédiction
    • Transformer et générer des données. Réinterprétation d’une donnée
    • Transformer sur un même format, exemple de la traduction de texte
    • Génération de donnée « originale » ou Neural Style : générer des images depuis des présentations textuelles
    • Contrôle d’un environnement avec le Reinforcement Learning
  4. Les problématiques que peut résoudre le Machine/Deep Learning

    • Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description
    • Choix entre donnée brute et features travaillées
    • Deep Learning versus Machine Learning
    • Apprentissage supervisé vs non supervisé, qualification du problème
    • Comprendre l’écart existant entre une affirmation et le résultat d’un algorithme, qualification de la solution du problème
  5. Générer un Dataset

    • Définition de Dataset
    • Comment stocker et contrôler la donnée : surveiller, nettoyer, convertir
    • Visualisation graphique et outils statistiques pour mieux comprendre la donnée.
    • Formatage d’une donnée, format d’entrée/sortie, liaision avec la qualification du problème
    • Préparation de la donnée, les sets
    • Comment garantir la pertinence des algorithmes utilisés ?
  6. Trouver la solution optimale

    • Comment trouver une/la meilleure solution à un problème ML/DL ? Méthodologie.
    • Hypothèse et direction de recherche, état de l’art et bibliographie
    • Démarche itérative
    • Conserver un banc de comparaison transversal : témoin
    • Aboutir à une solution optimale
  7. Boite à outils

    • Panorama des outils existants
    • Des outils propres aux domaines d’application
    • Industrialisation d’un réseau de neurones : encadrement et monitoring continu.
    • Réapprentissages successifs : un réseau à jour et optimum
    • Former les utilisateurs pour comprendre le réseau
Formations à distance
En inter et en intra entreprise

Contactez-nous :
training@softeam.fr
+33 (0)6 07 78 24 18
Prochaines dates

Demande de renseignement