EduGroupe accompagne les entreprises dans leurs projets de formation liée aux technologies informatiques
Formation Intelligence artificielle : enjeux et outils
- Référence : SEAIAENJEUX
- Durée : 14 heures
- Certification : Non
- Eligible CPF : Non
RÉSUMÉ
Ce séminaire présente les principales approches de l'Intelligence Artificielle en insistant sur le Machine Learning et tout particulièrement sur les réseaux de neurones. Vous verrez comment sont utilisés les principales solutions du marché, pour résoudre différents problèmes : apprentissage, classification, prévision…
CONNAISSANCES PREALABLES
- Bonnes connaissances en gestion de projet numérique. Expérience requise.
PROFIL DES STAGIAIRES
- Dirigeants, DSI, chefs de projets, développeurs, architectes…
OBJECTIFS
- Comprendre ce que sont les outils Machine et Deep Learning, leurs potentiels et leurs limites
- Avoir une vision à date de l'état de l'art de ces domaines
- Connaître et comprendre les applications de ces domaines à différents domaines de l'industrie
- Maîtriser les méthodologies et connaître les outils propres aux projets d'Intelligence Artificielle
- Appréhender les enjeux juridiques et éthiques de l’IA
- Identifier les apports potentiels par métier, activité ou secteurs dans l’entreprise
METHODES PEDAGOGIQUES
- 6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
- Remise d’une documentation pédagogique papier ou numérique pendant le stage
- La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions
METHODES D'EVALUATION DES ACQUIS
- Auto-évaluation des acquis par le stagiaire via un questionnaire
- Attestation de fin de stage adressée avec la facture
FORMATEUR
Consultant-Formateur expert Intelligence Artificielle
CONTENU DU COURS Intelligence Artificielle
1 - Qu'est-ce que l'Intelligence Artificielle (jusqu'aux réseaux de neurones) ?
- Tâche intellectuelle versus algorithmes
- Types d’actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité
- Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels
- Algorithmes génétiques : faire évoluer une population d’agents virtuels par sélection
- Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest)
- Le fantasme de l’Intelligence Artificielle et la réalité d’aujourd’hui
2 - Réseaux de neurones et Deep Learning
- Génération de représentations internes au sein d’un réseau de neurones
- Démonstration : Présentation d’un algorithme de classification et de ses limites
- Révolution du Deep Learning : généricité des outils et des problématiques
- Généralisation des résultats d’un réseau de neurones
- Appréhender une fonction par un réseau de neurones : présentation et exemples
- Qu’est-ce que l’apprentissage d’un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence
- Qu’est-ce qu’un réseau de neurones ?
3 - Applications du Deep Learning
- Classification de données. Les différents scénarios : donnée brute, image, son, texte, etc.
- Démonstrations : Classification d’images médicales. Prévision des images suivant une séquence vidéo. Contrôle de simulations numériques
- Experience Replay et apprentissage de jeux vidéo par un réseau de neurones
- Reinforcement Learning : contrôle d’un environnement
- Opération de génération de donnée "originale" : Neural Style, génération d’images à partir de présentations textuelles
- Opération de transformation sur un même format : traduction de texte d’une langue à une autre…
- Transformation/génération de données. Opération de réinterprétation d’une donnée : débruitage, segmentation d’image…
- Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction. Outils usuels de prédiction
- Prédiction d’information et donnée séquentielle/temporelle. Enjeux et limites d’une prédiction d’information
- Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network. Machine Learning
- Les enjeux d’une classification de données et les choix impliqués par un modèle de classification
4 - Quels problèmes peut-on adresser avec le Machine/Deep Learning ?
- Exemple d’étude de cas : Qualification d’une problématique pouvant être traitée avec l’IA
- Donnée brute versus features travaillées : que choisir ?
- Qualifier la solution d’un problème : comprendre la distance entre une affirmation et le résultat d’un algorithme
- Machine Learning versus Deep Learning : les algorithmes plus anciens du Machine Learning ou les réseaux de neurones ?
- Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description
- Qualifier le problème : Unsupervised Learning versus Supervised Learning
5 - Génération d'un Dataset
- Qu’est-ce qu’un Dataset ?
- Stocker/contrôler la donnée : surveiller les biais, nettoyer/convertir sans s’interdire des retours en arrière
- Comprendre la donnée : représentation des outils statistiques permettant une vision d’une donnée, sa distribution…
- Formater une donnée : décider d’un format d’entrée et de sortie, faire le lien avec la qualification du problème
- Préparer la donnée : définition des Train Set, Validation Set et Test Set
- Mettre en place une structure permettant de garantir que les algorithmes utilisés sont réellement pertinents (ou non)
- Echanges : Définition d’un Dataset et sa différence avec un BDD usuel
6 - Recherche de la solution optimale
- Choix d’une direction de recherche, localisation de publications ou de projets similaires existants
- Exemple d’étude de cas : Grouper et balancer un ensemble de solutions pour obtenir une solution optimale
- Arriver à une solution optimale
- Conservation d’un banc de comparaison transversal
- Itérations successives depuis les algorithmes les plus simples jusqu’aux architectures les plus complexes
- Méthodologie pour avancer dans la recherche d’une meilleure solution à un problème ML/DL
7 - Les outils
- Quels outils existe-t-il aujourd’hui ?
- Quels outils pour la recherche et quels outils pour l’industrie ?
- De Keras/Lasagne à Caffe en passant par Torch, Theano, Tensorflow ou Apache Spark ou Hadoop
- Industrialiser un réseau de neurones par un encadrement strict de son processus et un monitoring continu
- Mise en place de réapprentissages successifs pour conserver un réseau à jour et optimal
- Former des utilisateurs à la compréhension du réseau
- Démonstration : Mise en place de réapprentissages successifs
