Aperçu du cours
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable de d’analyser les apports potentiels de l’Intelligence Artificielle (IA) pour la mise en œuvre de projets, en s’appuyant sur un vocabulaire commun et une vue d’ensemble des solutions, outils et technologies du marché.
Prérequis
- 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
Public ciblé
- Dirigeants
- DSI
- Chefs de projets
- Développeurs
- Architectes
- Toute personne souhaitant comprendre les domaines d’application et les bénéfices de l’Intelligence Artificielle
Programme de formation
-
Introduction à l'IA
-
Historique de l’IA
-
L’IA aujourd’hui
-
Tâches intellectuelles & algorithmes
-
Types d’actions
-
Intelligence collective
-
Algorithmes génétiques
-
Machine learning
-
-
Réseaux neuronal & Deep Learning
-
Définition : réseau neuronal
-
Courbe d’apprentissage du réseau
-
Représentation d’une fonction par un réseau de neurones
-
Création de représentations internes
-
Généralisation des résultats
-
Deep learning : impact, forces & faiblesses
-
-
Mise en oeuvre du Deep Learning
-
Classification de données
-
Enjeux de la classification & choix impliqués
-
Outils de classification
-
Prédiction d’information
-
Donnée séquentielle/temporelle
-
Enjeux & problématiques d’une prédiction
-
Règles structurelles & outils de prédiction
-
Génération & transformation de données
-
Réinterprétation d’une donnée
-
Transformation sur un même format
-
Génération de donnée originale
-
Reinforcement Learning
-
Experience Replay
-
-
Usages du Deep learning
-
Condition sur les données
-
Données brutes & features travaillées
-
ML vs DL : comparatif des forces & faiblesse des modèles
-
Supervised & Unsupervised
-
Qualification de la solution d’un problème
-
-
Génération d'un Dataset
-
Définition
-
Stockage & contrôle de la donnée
-
Compréhension de la donnée
-
Formatage de la donnée
-
Préparation de la donnée
-
Choix de la structure & pertinence de l’algorithme
-
-
Recherche de la solution optiminale
-
Méthodologie
-
Direction de recherche, comparatif avec publications & projets similaires
-
Itérations successives
-
Conservation d’un banc de comparaison transversal
-
Solution optimale
-
-
Outils
-
Tour d’horizon des outils sur le marché
-
Comparatif des outils selon leur utilisation
-
Industrialisation d’un réseau neuronal
-
Réapprentissages successifs pour la conservation d’un réseau à jour
-
Formation des utilisateurs
-
Instructeur
