Durée :
2 jours
Ref :
B-IA-FDX
Prix :
1250€ HT
Date des prochaines sessions
Session garantie à partir de 2 personnes.
20.10.22
-
21.10.22
Lyon / Nantes / A distance
8.12.22
-
9.12.22
Lyon / Nantes / A distance
Publics
Tout public technique transverse
Pré-requis

• Connaître quelques notions sur l’apprentissage automatique ou avoir suivi la formation « Écosystème de l’Intelligence Artificielle »

• Connaître un langage de programmation parmi Python, Java et Javascript

Informations pratiques
  • THÉORIE : 70%
  • PRATIQUE : 30%
  • 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.

Les fondamentaux de l’Intelligence Artificielle

Vous trouverez ci-dessous le programme détaillé de la formation « Les Fondamentaux de l’Intelligence Artificielle ». Cette formation de 2 jours vous permet d’aborder la culture Machine Learning et Deep Learning, les outils et les spécificités de l’organisation d’un projet en IA.

Objectifs pédagogiques

  • Connaître les principaux algorithmes de Machine Learning et Deep Learning
  • Connaître quelques outils du marché
  • Comprendre l’organisation d’un projet en IA et savoir se lancer

IA : Introduction

  • Les différents domaines de l’IA : ML, DL, algorithmes génétiques, systèmes experts
  • Rappel sur l’apprentissage automatique

Atelier : Manipulation d’un outil en ligne pour appréhender les concepts d’apprentissage
Objectif opérationnel : Appréhender les concepts d’apprentissage
Moyen d’évaluation : QCM

Les différents outils

  • Langages : Python, R, Java, Scala, Javascript
  • Rappel sur l’apprentissage automatique
  • Frameworks et librairies : Tensorflow, Keras, Caffe, Torch, ScikitLearn, OpenCV
  • Plateformes : Watson, Google Cloud AI, AWS AI, Azure AI
  • Mobile et web : MLKit, tensorflow.js, MobileNet

Objectif opérationnel : Connaître les outils du marché
Moyen d’évaluation : QCM

Les basiques associés à des cas d’usage

  • Régression, Classification (Random Forest, Gradient Boosting)
  • Apprentissage supervisé, non supervisé
  • Réseaux de neurones (Multiperceptron, CNN, RNN)
  • Reinforcement learning

Atelier : Test d'un preceptron avec le jeu de données MNIST (reconnaissance visuelle)
Objectif opérationnel : Comprendre les différents cas d'usage
Moyen d’évaluation : QCM

Les différentes étapes d’un projet IA

  • La collecte des données
  • L’exploration des données
  • Le choix des algorithmes
  • L’entrainement d’un nouveau modèle ou le transfert learning
  • L’intégration et la mise en production

Objectif opérationnel : Comprendre l’organisation d’un projet et savoir se lancer
Moyen d’évaluation : QCM

Explorer ses données avec des algorithmes

  • Principe des Analyses en Composantes Principales
  • La méthode de clustering k-means

Atelier : Exploration de données avec l’ACP
Moyen d’évaluation : QCM

Algorithmes : Choix et entraînement

  • Arbre de décision pour le choix d’un algorithme
  • Utilisation d’outils d’automatisation (AutoML)

Atelier : Choisir le bon algorithme pour des cas d’utilisation – discussion
Objectif opérationnel : Savoir choisir le bon algorithme
Moyen d’évaluation : QCM

Intégration et déploiement

  • Les spécificités d’intégration en IA
  • La mise en production continue de modèles
  • L’évolution continue des paramétrages

Atelier : Décrire un processus d’intégration continue d’un projet IA pour votre contexte professionnel
Objectif opérationnel : Connaître le processus d’intégration continue d’un projet IA
Moyen d’évaluation : QCM