Aller au contenu principal
Afficher le fil d'ariane

SOFTEAM : 19. Etat de l'art sur l'Intelligence Artificielle

Durée

14 heures

Modalités

Formation

  • Classe virtuelle
  • Présentiel

Évaluation

Tout au long et/ou à l’issue de la formation : évaluation des acquis des stagiaires via des exercices, des QCM, des QUIZZ, des mises en situation et/ou des cas pratiques.

Prix

Inter
La formation en Inter est dispensée pour un groupe de salariés d’entreprises différentes.
770€ HT / personne
Intra
La formation en Intra est dispensée pour un groupe de salariés d’une seule et même entreprise.
3160€ HT / groupe
4 stagiaires minimum

Public

Toute personne souhaitant comprendre les domaines d’application et les bénéfices de l’Intelligence Artificielle : dirigeants, DSI, chefs de projets, développeurs, architectes…

Pré-requis

Avoir des connaissances générales en informatique et en gestion de projet numérique

Objectifs pédagogiques

Définir et comprendre le concept d’Intelligence Artificielle 

Identifier les apports potentiels par métier, activité ou secteurs dans l’entreprise

Connaître les principales solutions, outils et technologies déployés dans un projet d’IA

Identifier les clés de réussite d’une solution d’Intelligence Artificielle

Appréhender les enjeux juridiques et éthiques de l’IA

Comprendre les applications de l’IA à différents domaines de l'industrie

Appréhender les concepts de Machine Learning et Deep Learning

Programme détaillé

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

Sessions

Filtrer les résultats

63 résultats

Modalités pédagogiques
Formation synchrone se déroulant avec la présence physique du (des) formateur(s) et du (des) apprenant(s) réunis dans un même lieu de formation.
Formation combinant des séquences en présentiel et des séquences à distance synchrones ou asynchrones.
Formation à distance, asynchrone, s’appuyant sur une plateforme d’apprentissage, pouvant être complétée par d’autres modalités de formation à distance (visio-conférence…)
Formation à distance, synchrone, s’appuyant sur un dispositif de visio-conférence. La classe virtuelle recrée à distance les conditions d’une formation en salle traditionnelle.
Type de formation
La formation en Inter est dispensée pour un groupe de salariés d’entreprises différentes.
La formation en Intra est dispensée pour un groupe de salariés d’une seule et même entreprise.
Options
Ces sessions ne peuvent être ni annulées ni reportées par l’organisme de formation.

0 résultat