Intelligence Artificielle, enjeux et outils

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