Intelligence artificielle : maîtriser les outils et comprendre les enjeux

• Acquérir une connaissance approfondie des outils d'intelligence artificielle, notamment le machine learning et le deep learning, leurs capacités et leurs limites
• Appréhender l'état actuel des avancées dans le domaine de l'intelligence artificielle et anticiper les potentielles évolutions futures
• Identifier et analyser les applications potentielles de l'intelligence artificielle dans divers secteurs industriels, en tenant compte des spécificités de chaque secteur
• Maîtriser les méthodes et outils spécifiques aux projets d'intelligence artificielle, de la conception à la mise en œuvre
• Comprendre les enjeux juridiques et éthiques liés à l'utilisation de l'intelligence artificielle, et développer une réflexion critique sur ces enjeux
• Reconnaître les opportunités offertes par l'intelligence artificielle dans différents métiers, activités ou secteurs au sein de l'entreprise, et élaborer des stratégies d'implémentation efficaces.

1. INTRODUCTION À L'INTELLIGENCE ARTIFICIELLE

• Définition et présentation de l'intelligence artificielle (IA)
• Différence entre tâche intellectuelle et algorithmes
• Classification, régression, regroupement (clustering), estimation de densité, réduction de dimensionnalité
• Présentation de l'intelligence collective
• Introduction aux algorithmes génétiques
• Aperçu du machine learning et principaux algorithmes (XGBoost, Random Forest)

2. RÉSEAUX DE NEURONES ET DEEP LEARNING

• Définition et fonctionnement d'un réseau de neurones
• Apprentissage d'un réseau de neurones : Deep versus shallow network, overfit, underfit, convergence
• Appréhension d'une fonction par un réseau de neurones : présentation et exemples
• Génération de représentations internes au sein d'un réseau de neurones
• Généralisation des résultats d'un réseau de neurones
• Révolution du deep learning : généricité des outils et des problématiques

3. APPLICATIONS DU DEEP LEARNING

• Classification de données : donnée brute, image, son, texte, etc.
• Enjeux et limites d'une classification de données
• Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network
• Prédiction d'information et donnée séquentielle/temporelle
• Enjeux et limites d'une prédiction d'information
• Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction
• Transformation/génération de données
• Reinforcement learning : contrôle d'un environnement

4. PROBLÉMATIQUES RÉSOLUBLES PAR LE MACHINE/DEEP LEARNING

• Conditions sur les données : volumétrie, dimensionnement, équilibre entre les classes, description
• Donnée brute versus features travaillées
• Machine learning versus deep learning
• Qualification du problème : Unsupervised Learning versus Supervised Learning
• Comprendre la distance entre une affirmation et le résultat d'un algorithme

5. PRÉPARATION D'UN DATASET

• Définition et importance d'un jeu de données (dataset)
• Stockage et contrôle de la donnée
• Compréhension de la donnée : représentation des outils statistiques
• Formatage d'une donnée
• Préparation des données : définition des Train Set, Validation Set et Test Set

6. RECHERCHE DE LA SOLUTION OPTIMALE

• Méthodologie pour avancer dans la recherche d'une meilleure solution à un problème ML/DL
• Choix d'une direction de recherche, localisation de publications ou de projets similaires existants
• Itérations successives depuis les algorithmes les plus simples jusqu'aux architectures les plus complexes
• Conservation d'un banc de comparaison transversal

7. LES OUTILS DE L'IA

• Présentation des outils actuels de l'IA
• Différence entre outils de recherche et outils industriels
• Industrialiser un réseau de neurones par un encadrement strict de son processus et un suivi continu
• Mise en place de réapprentissages successifs pour conserver un réseau à jour et optimal
• Formation des utilisateurs à la compréhension du réseau