Développement d’Intelligence Artificielle – Débutant

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

‍

‍