DOCAPOSTE INSTITUTE : 19. Etat de l'art sur l'Intelligence Artificielle

Comprendre l'Intelligence Artificielle

• L'Intelligence Artificielle fantasmée vs la réalité
• Notion de tâche intellectuelle comparée aux algorithmes
• Les différents types d'actions réalisables :
• Classification
• Régression
• Clustering
• Estimation de densité
• Réduction de dimensionnalité.
• Concept d'intelligence collective en IA
• Algorithmes génétiques et sélection des agents
• Définition du Machine Learning
• Les grands algorithmes : XGBoost et Random Forest.
•  

Deep Learning, réseaux de neurones

• Définition d'un réseau de neurones
• Découverte de l'apprentissage d'un réseau de neurones. Les types de réseau
• Présentation et exemples d'approximation de fonction par un réseau de neurones
• Présentation et exemples d'approximation de distribution par un réseau de neurones
• Générer des représentations internes dans un réseau de neurones
• Généraliser les résultats d'un réseau de neurones
• Deep Learning et généricité des outils

Les différentes applications du Deep Learning

• Classification de données
• Enjeux de la classification de données, conséquences du choix d'un modèle de classification
• Les outils de classification
• La prédiction d'information et les données séquentielles. Intérêt et limites
• Logique de prédiction et règles structurelles de donnée. Outils communs de prédiction
• Transformer et générer des données. Réinterprétation d'une donnée
• Transformer sur un même format, exemple de la traduction de texte
• Génération de donnée "originale" ou Neural Style : générer des images depuis des présentations textuelles
• Contrôle 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, description
• Choix entre donnée brute et features travaillées
• Deep Learning versus Machine Learning
• Apprentissage supervisé vs non supervisé, qualification du problème
• Comprendre l'écart existant entre une affirmation et le résultat d'un algorithme, qualification de la solution du problème

Générer un Dataset

• Définition de Dataset
• Comment stocker et contrôler la donnée : surveiller, nettoyer, convertir
• Visualisation graphique et outils statistiques pour mieux comprendre la donnée.
• Formatage d'une donnée, format d'entrée/sortie, liaision avec la qualification du problème
• Préparation de la donnée, les sets
• Comment 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 bibliographie
• Démarche itérative
• Conserver un banc de comparaison transversal : témoin
• Aboutir à une solution optimale

Boite à outils

• Panorama des outils existants
• Des outils propres aux domaines d'application
• Industrialisation d'un réseau de neurones : encadrement et monitoring continu.
• Réapprentissages successifs : un réseau à jour et optimum
• Former les utilisateurs pour comprendre le réseau