> Formations > Technologies numériques > Intelligence Artificielle, Big Data > IA, Machine Learning, analyse de données > Formation Intelligence artificielle : enjeux et outils > Formations > Technologies numériques > Formation Intelligence artificielle : enjeux et outils

Formation : Intelligence artificielle : enjeux et outils

Intelligence artificielle : enjeux et outils



Best Action Co
Formation éligible au financement Atlas

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 utilisées les principales solutions du marché, pour résoudre différents problèmes : apprentissage, classification, prévision…


INTER
INTRA
SUR MESURE

Séminaire en présentiel ou en classe à distance
Disponible en anglais, à la demande

Réf. IAO
  2j - 14h00
Prix : 2090 € H.T.
Pauses-café et
déjeuners offerts
Financements




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 utilisées les principales solutions du marché, pour résoudre différents problèmes : apprentissage, classification, prévision…


Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
Comprendre ce que sont les outils de machine learning et de 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 secteurs 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 pour chaque métier, activité ou secteur dans l’entreprise

Public concerné
Toute personne souhaitant comprendre les domaines d’application et les bénéfices de l’intelligence artificielle : dirigeants, DSI, chefs de projet, développeurs, architectes…

Prérequis
Bonnes connaissances en gestion de projet numérique. Expérience requise.
Vérifiez que vous avez les prérequis nécessaires pour profiter pleinement de cette formation en faisant  ce test.

Méthodes et moyens pédagogiques
Méthodes pédagogiques
Présentation, échanges et études de cas.

Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Programme de la formation

Qu'est-ce que l'intelligence artificielle (jusqu'aux réseaux de neurones) ?

  • Le fantasme de l'intelligence artificielle et la réalité d'aujourd'hui.
  • Tâche intellectuelle versus algorithmes.
  • Types d'actions : classification, régression, regroupement (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).

Réseaux de neurones et deep learning

  • Qu'est-ce qu'un réseau de neurones ?
  • Qu'est-ce que l'apprentissage d'un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence.
  • Appréhender une fonction par un réseau de neurones : présentation et exemples.
  • Génération de représentations internes au sein d'un réseau de neurones.
  • Généralisation des résultats d'un réseau de neurones.
  • Révolution du deep learning : généricité des outils et des problématiques.
Démonstration
Présentation d'un algorithme de classification et de ses limites.

Applications du deep learning

  • Classification de données. Les différents scénarios : donnée brute, image, son, texte, etc.
  • Les enjeux d'une classification de données et les choix impliqués par un modèle de classification.
  • Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network. Machine learning.
  • Prédiction d'information et donnée séquentielle/temporelle. Enjeux et limites d'une prédiction d'information.
  • Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction. Outils usuels de prédiction.
  • Transformation/génération de données. Opération de réinterprétation d'une donnée : débruitage, segmentation d'image…
  • Opération de transformation sur un même format : traduction de texte d'une langue à une autre…
  • Opération de génération de donnée "originale" : Neural style, génération d'images à partir de présentations textuelles.
  • Reinforcement learning : contrôle d'un environnement.
  • Experience Replay et apprentissage des jeux vidéo par un réseau de neurones.
Démonstration
Classification d'images médicales. Prévision des images suivant une séquence vidéo. Contrôle de simulations numériques.

Quels problèmes peut-on résoudre avec le machine/deep learning ?

  • Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description.
  • Donnée brute versus features travaillées : que choisir ?
  • Machine learning versus deep learning : les algorithmes plus anciens du machine learning ou les réseaux de neurones ?
  • Qualifier le problème : Unsupervised Learning versus Supervised Learning.
  • Qualifier la solution d'un problème : comprendre la distance entre une affirmation et le résultat d'un algorithme.
Etude de cas
Qualification d'une problématique pouvant être traitée avec l'IA.

Préparation d'un dataset

  • Qu'est-ce qu'un jeu de données (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 les données : 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 une base de données (BDD) classique.

Recherche de la solution optimale

  • Méthodologie pour avancer dans la recherche d'une meilleure solution à un problème ML/DL.
  • Choix d'une direction de recherche, localisation de publications ou de projets similaires existants.
  • Itérations successives depuis les algorithmes les plus simples jusqu'aux architectures les plus complexes.
  • Conservation d'un banc de comparaison transversal.
  • Arriver à une solution optimale.
Etude de cas
Grouper et balancer un ensemble de solutions pour obtenir une solution optimale.

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, Apache Spark ou Hadoop.
  • Industrialiser un réseau de neurones par un encadrement strict de son processus et un suivi 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.


Solutions de financement
Plusieurs solutions existent pour financer votre formation et dépendent de votre situation professionnelle.
Découvrez-les sur notre page Comment financer sa formation ou contactez votre conseiller formation.

Financement par les OPCO
  • Adhérents Atlas, découvrez les avantages négociés par votre OPCO en cliquant ici

Avis clients
4 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
CHRISTOPHE B.
14/11/24
3 / 5

* Les + :expertise, pédagogie et engouement du formateur sur ce sujetpartage d’experiences, anecdotes* Les - : 30 participants : c’est beaucoup trop ! et sur 2j trop court !Support de cours non transmis ou non accessible sur le site d’OrsysFormation trop descendante, très très peu d’interactionsBcp trop de modélisations/formules mathématiques (quasi niveau prépa), de code et de théories sur 2jPas assez d’explications sur les enjeux, risques et l’aspect RSE pour les
ANTOINE B.
14/11/24
3 / 5

les quatre points oubliés...:Connaître et comprendre les applications de ces domaines à différents secteurs de l’industrieMaîtriser les méthodologies et connaître les outils propres aux projets d’intelligence artificielleAppréhender les enjeux juridiques et éthiques de l’IAIdentifier les apports potentiels pour chaque métier, activité ou secteur dans l’entreprise
ETIENNE G.
14/11/24
3 / 5

Je pense que cette formation était trop technique pour moi malgré la volonté de l’animateur de rendre abordable l’approche mathématique du sujet.Je remercie néanmoins l’animateur pour la qualité de son intervention et sa maitrise du sujet.



Horaires
les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 16h le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance
Dernières places
Session garantie