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
Fonctionnalités
- 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
Détails
- 14 Sections
- 94 Lessons
- 14 Hours
Expand all sectionsCollapse all sections
- Introduction à l'IA7
- 1.1Historique de l’IA
- 1.2L’IA aujourd’hui
- 1.3Tâches intellectuelles & algorithmes
- 1.4Types d’actions
- 1.5Intelligence collective
- 1.6Algorithmes génétiques
- 1.7Machine learning
- Introduction à l'IA7
- 2.1Historique de l’IA
- 2.2L’IA aujourd’hui
- 2.3Tâches intellectuelles & algorithmes
- 2.4Types d’actions
- 2.5Intelligence collective
- 2.6Algorithmes génétiques
- 2.7Machine learning
- Réseaux neuronal & Deep Learning6
- 3.1Définition : réseau neuronal
- 3.2Courbe d’apprentissage du réseau
- 3.3Représentation d’une fonction par un réseau de neurones
- 3.4Création de représentations internes
- 3.5Généralisation des résultats
- 3.6Deep learning : impact, forces & faiblesses
- Réseaux neuronal & Deep Learning6
- 4.1Définition : réseau neuronal
- 4.2Courbe d’apprentissage du réseau
- 4.3Représentation d’une fonction par un réseau de neurones
- 4.4Création de représentations internes
- 4.5Généralisation des résultats
- 4.6Deep learning : impact, forces & faiblesses
- Mise en oeuvre du Deep Learning13
- 5.1Classification de données
- 5.2Enjeux de la classification & choix impliqués
- 5.3Outils de classification
- 5.4Prédiction d’information
- 5.5Donnée séquentielle/temporelle
- 5.6Enjeux & problématiques d’une prédiction
- 5.7Règles structurelles & outils de prédiction
- 5.8Génération & transformation de données
- 5.9Réinterprétation d’une donnée
- 5.10Transformation sur un même format
- 5.11Génération de donnée originale
- 5.12Reinforcement Learning
- 5.13Experience Replay
- Mise en oeuvre du Deep Learning13
- 6.1Classification de données
- 6.2Enjeux de la classification & choix impliqués
- 6.3Outils de classification
- 6.4Prédiction d’information
- 6.5Donnée séquentielle/temporelle
- 6.6Enjeux & problématiques d’une prédiction
- 6.7Règles structurelles & outils de prédiction
- 6.8Génération & transformation de données
- 6.9Réinterprétation d’une donnée
- 6.10Transformation sur un même format
- 6.11Génération de donnée originale
- 6.12Reinforcement Learning
- 6.13Experience Replay
- Usages du Deep learning5
- 7.1Condition sur les données
- 7.2Données brutes & features travaillées
- 7.3ML vs DL : comparatif des forces & faiblesse des modèles
- 7.4Supervised & Unsupervised
- 7.5Qualification de la solution d’un problème
- Usages du Deep learning5
- 8.1Condition sur les données
- 8.2Données brutes & features travaillées
- 8.3ML vs DL : comparatif des forces & faiblesse des modèles
- 8.4Supervised & Unsupervised
- 8.5Qualification de la solution d’un problème
- Génération d'un Dataset6
- 9.1Définition
- 9.2Stockage & contrôle de la donnée
- 9.3Compréhension de la donnée
- 9.4Formatage de la donnée
- 9.5Préparation de la donnée
- 9.6Choix de la structure & pertinence de l’algorithme
- Génération d'un Dataset6
- 10.1Définition
- 10.2Stockage & contrôle de la donnée
- 10.3Compréhension de la donnée
- 10.4Formatage de la donnée
- 10.5Préparation de la donnée
- 10.6Choix de la structure & pertinence de l’algorithme
- Recherche de la solution optiminale5
- 11.1Méthodologie
- 11.2Direction de recherche, comparatif avec publications & projets similaires
- 11.3Itérations successives
- 11.4Conservation d’un banc de comparaison transversal
- 11.5Solution optimale
- Recherche de la solution optiminale5
- 12.1Méthodologie
- 12.2Direction de recherche, comparatif avec publications & projets similaires
- 12.3Itérations successives
- 12.4Conservation d’un banc de comparaison transversal
- 12.5Solution optimale
- Outils5
- 13.1Tour d’horizon des outils sur le marché
- 13.2Comparatif des outils selon leur utilisation
- 13.3Industrialisation d’un réseau neuronal
- 13.4Réapprentissages successifs pour la conservation d’un réseau à jour
- 13.5Formation des utilisateurs
- Outils5
- 14.1Tour d’horizon des outils sur le marché
- 14.2Comparatif des outils selon leur utilisation
- 14.3Industrialisation d’un réseau neuronal
- 14.4Réapprentissages successifs pour la conservation d’un réseau à jour
- 14.5Formation des utilisateurs
Instructeur
