Les Fondamentaux de l’Intelligence Artificielle

Publics

Data Scientists, Data Analystes, Ingénieurs Data, Ingénieurs DevOps, développeurs, architectes, cadres dirigeants, managers, chefs de projets

Pré-requis

Avoir des connaissances en algorithmique et en programmation Python

Objectifs pédagogiques

Être capable de :

D’identifier les enjeux de l’IA ainsi que les nouvelles opportunités qu’elle ouvre
Découvrir les technologies de l’IA et leur implémentation à travers des exemples pratiques

Moyens pédagogiques et techniques

Explications théoriques et exercices pratiques pour mise en situation rapide
1 vidéoprojecteur par salle
1 ordinateur par stagiaire
1 support de cours par stagiaire

Évaluation et documents fournis

Document d’évaluation de satisfaction
Attestation de présence
Exercices pratiques de validation des acquis sous contrôle du formateur

Accessibilité aux handicapés, nous prenons en compte votre handicap et nous adaptons notre prestation dans la mesure du possible

Mise à jour : Février 2024

Tarifs Inter : 1700€ HT/jour/pers.

Tarifs Intra / sur mesure : nous consulter

Délais : nous consulter

Moyens d’encadrement : formateur spécialiste du domaine

Référence : BGD

Lieu :

Centre de formation Activ’Académie
Site client (nous consulter)

Durée totale : 1 jour (7 heures)
Nombre de participants : 8 maximum

Programme

Jour 1

Introduction

Définir l’IA
Fondations et histoire de l’IA
Les marchés de l’IA
Les différentes branches de l’IA
Les cas d’usage de l’IA
- – Recherche de savoir
- – Assistants personnels numériques
- – Chauffeur personnel
- – Gestionnaire d’entrepôt
- – Santé humaine
- – Jeux vidéo
- – Nettoyage de données
- – Domotique
Les technologies de l’IA
Disruptions de l’IA / ChatGPT / OpenAI et autres innovations de rupture
Etudes de cas inspirés de l’actualité

Techniques fondamentales de l’IA

Machine Learning
Réseaux de neurones artificiels (Artificial Neural Networks)
Apprentissage profond (Deep Learning)
Réseaux de neurones convolutifs (Convolutional Neural Networks)
Réseaux de neurones récurrents (Récurrent Neural Networks)
Apprentissages supervisé / non-supervisé / renforcé
TensorFlow

Exemples de travaux pratiques

Mettre en œuvre et faire un comparatif d’algorithmes d’IA avec Python
Construire une application d’IA avec Flask ou Kivy Learning

Programme

Jour 2

Pipelines de Machine Learning

Définition du problème
Ingestion des données
Préparation des données
Ségrégation des données
Sélection de variables
Extraction de variables
Apprentissage du modèle
Déploiement du modèle en production
Surveillance du modèle et réapprentissage
Introduction à ML Ops

Exemple de travaux pratiques (à titre indicatif)

Création de modèles de Machine Learning avec Python

Traitement du langage naturel (Natural Langage Processing)

Vue d’ensemble du NLP
Les composants du NLP
Applications du NLP en entreprise
Comment utiliser le NLP ?
Tokenisation
Racinisation vs Lemmatisation
Utilisation du modèle « bag-of-words »
Challenges du NLP

Exemple de travaux pratiques (à titre indicatif)

Création d’un modèle de NLP pour l’analyse de sentiment

Programme

Jour 3

Chabots

Qu’est-ce qu’un Chatbot ?
La montée des Chabots
Comment construire un Chabot ?
Construire un Chabot avec Dialogflow
Intégrer un Chatbot à une page Web
Challenges dans la construction d’un Chatbot réussi

Exemple de travaux pratiques

Création d’un Chatbot

Vision par ordinateur (Computer Vision)

Nouvelles possibilités offertes par la vision par ordinateur
Comment utiliser la vision par ordinateur ?
La vision par ordinateur sur les appareils mobiles
Meilleures pratiques
Cas d’usage
Utiliser Open CV
Construire un tracker d’objet avec Camshift
Challenges de la vision par ordinateur
Implémenter une solution de vision par ordinateur

Exemple de travaux pratiques

Démonstration : création d’un programme de vision par ordinateur

Perspectives Futures

Challenges de l’IA
Futures tendances et opportunités
Scalabilité de l’IA
Implications éthiques, sociales, et de sûreté (safety

Exemple de travaux pratiques

Clôture : Atelier de prospective