Durée :
3 jours
Ref :
B-IA-DEV
Prix :
1875€ HT
Date des prochaines sessions
Session garantie à partir de 2 personnes.
26.10.22
-
28.10.22
Lyon / Nantes / A distance
14.12.22
-
16.12.22
Lyon / Nantes / A distance
Publics
Tout public technique développeur ayant des connaissances sur l'apprentissage automatique
Pré-requis

• Notions sur l’apprentissage automatique ou ayant suivi la formation « Écosystème de l’Intelligence Artificielle ».

• Langage de programmation : Python, Java ou Javascript.

Informations pratiques
  • THÉORIE : 60%
  • PRATIQUE : 40%
  • LIEUX : NANTES, LYON, À DISTANCE

Votre formateur
Consultant et formateur passionné d’IA. Ingénieur développeur depuis 5 ans, notre formateur intervient durant tout le processus du développement d’applications.

Développement d’Intelligence Artificielle – Débutant

Vous trouverez ci-dessous le programme détaillé de la formation « Développement d’Intelligence Artificielle – Débutant ». Cette formation de 3 jours vous permet d’acquérir tous les fondamentaux du développement d’Intelligence Artificielle.

Objectif pédagogique

Avoir une vision des premiers outils, frameworks et librairies de développement pour des futurs Data Engineers.

Programme détaillé

Fondamentaux de la data analyse

  • Statistiques descriptives et exploratoires
  • Bases de la Data analyse : outils et méthodes
  • Python et la librairie Scikit-learn

Atelier : Nettoyage et analyse d’un jeu de données OpenData en vue d’appliquer un apprentissage des données
Objectif opérationnel : Appréhender la data analyse
Moyen d’évaluation : QCM

Machine learning

  • Principe de l’apprentissage supervisé/non supervisé
  • Les algorithmes de machine learning : régressions, classification, clusterisation

Atelier : Classification de texte en fonction du sentiment exprimé (Bags of words)
Objectif opérationnel : Comprendre les principes d’apprentissage
Moyen d’évaluation : QCM

Le Deep Learning

  • Les réseaux de neurones
  • Principes du perceptron
  • Le multiperceptron avec Réseaux de neurones (Multiperceptron, CNN, RNN)
  • Reinforcement learning

Atelier : Adaptation d’un CNN pour reconnaître plus finement des objets dans des images et utilisation de Keras avec Tensorflow
Objectif opérationnel : Appréhender le deep learning
Moyen d’évaluation : QCM

ML concepts avancés

  • Reinforcement learning
  • Generative Adversial Network
  • Transfert learning

Atelier : Utilisation d’un GAN pour créer des images inédites
Objectif opérationnel : Connaître les concepts avancés du Machine Learning
Moyen d’évaluation : QCM

Algorithmes : Choix et Paramétrage

  • Présentation d’outils de sélection d’algorithmes : AutoML
  • Sélection des features et optimisation (ACP)
  • Tests automatiques de paramétrage et résultats

Atelier : Utilisation des fonctionnalités de Scikit-learn pour le choix des features et le test des différents paramétrages
Objectif opérationnel : Savoir paramétrer les algorithmes et avoir une vision sur les outils de développement
Moyen d’évaluation : QCM