Formation Intelligence artificielle : enjeux et outils

• uto-évaluation des acquis par le stagiaire via un questionnaire
• Attestation de fin de stage adressée avec la facture

• Le fantasme de l’Intelligence Artificielle et la réalité d’aujourd’hui
• 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)

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 de jeux vidéo par un réseau de neurones
• Démonstrations : Classification d’images médicales. Prévision des images suivant une séquence vidéo. Contrôle de simulations numériques

Quels problèmes peut-on adresser 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
• Exemple d’étude de cas : Qualification d’une problématique pouvant être traitée avec l’IA

Génération d'un dataset