Cette formation vous permettra de découvrir les grandes approches de l'IA pour la résolution de problèmes, les solutions, outils et technologies clés utilisés dans les projets d'IA

  • Tarif sur demande.
  • Prochaine session : à la demande.
  • Formation accessible aux personnes en situation de handicap.
  • 70% de pratique et 30% de théorie en moyenne.
  • Nombreuses activités pratiques pour une évaluation constante.
  • Supports, exercices et corrections à disposition en ligne pendant et après la formation.
  • Délai d'accès minimum : 1 semaine.
  • Formation 100% distanciel (téléprésence).
  • Evaluation par le formateur à travers les activités pratiques.
  • Public Directeurs de projet informatique, chefs de projet informatique, consultants techniques, développeurs, architectes
  • Prérequis Expérience en gestion de projet numérique

Lors de cette formation, les participants suivent 2 jours de formation.

  • Comprendre l'Intelligence Artificielle
      L'Intelligence Artificielle fantasmée vs la réalitéNotion de tâche intellectuelle comparée aux algorithmesLes différents types d'actions réalisables : classification, régression, clustering, estimation de densité, réduction de dimensionnalité.Concept d'intelligence collective en IAAlgorithmes génétiques et sélection des agentsDéfinition du Machine LearningLes grands algorithmes : XGBoost et Random Forest
  • Deep Learning, réseaux de neurones
      Définition d'un réseau de neuronesDécouverte de l'apprentissage d'un réseau de neurones. Les types de réseauPrésentation et exemples d'approximation de fonction par un réseau de neuronesPrésentation et exemples d'approximation de distribution par un réseau de neuronesGénérer des représentations internes dans un réseau de neuronesGénéraliser les résultats d'un réseau de neuronesDeep Learning et généricité des outils
  • Les différentes applications du Deep Learning
      Classification de donnéesEnjeux de la classification de données, conséquences du choix d'un modèle de classificationLes outils de classificationLa prédiction d'information et les données séquentielles. Intérêt et limitesLogique de prédiction et règles structurelles de donnée. Outils communs de prédictionTransformer et générer des données. Réinterprétation d'une donnéeTransformer sur un même format, exemple de la traduction de texteGénération de donnée "originale" ou Neural Style : générer des images depuis des présentations textuellesContrôle d'un environnement avec le Reinforcement Learning
  • Les problématiques que peut résoudre le Machine/Deep Learning
      Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, descriptionChoix entre donnée brute et features travailléesDeep Learning versus Machine LearningApprentissage supervisé vs non supervisé, qualification du problèmeComprendre l'écart existant entre une affirmation et le résultat d'un algorithme, qualification de la solution du problème
  • Générer un Dataset
      Définition de DatasetComment stocker et contrôler la donnée : surveiller, nettoyer, convertirVisualisation graphique et outils statistiques pour mieux comprendre la donnée.Formatage d'une donnée, format d'entrée/sortie, liaision avec la qualification du problèmePréparation de la donnée, les setsComment garantir la pertinence des algorithmes utilisés ?
  • 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 bibliographieDémarche itérativeConserver un banc de comparaison transversal : témoinAboutir à une solution optimale
  • Boite à outils
      Panorama des outils existantsDes outils propres aux domaines d'applicationIndustrialisation d'un réseau de neurones : encadrement et monitoring continu.Réapprentissages successifs : un réseau à jour et optimumFormer les utilisateurs pour comprendre le réseau