Intelligence artificielle : maîtrisez les outils clés de l'industrie 4.0

• Acquérir une connaissance approfondie des principes fondamentaux de l'Intelligence Artificielle (IA) et de ses applications dans le contexte industriel 4.0
• Maîtriser les concepts et les applications des réseaux de neurones et du Deep Learning dans le domaine de l'IA
• Savoir mettre en œuvre le Deep Learning dans un environnement professionnel, y compris son application dans la résolution de problèmes complexes
• Apprendre à préparer et à gérer un Data Set, en assurant sa qualité et son adéquation avec les besoins de l'IA
• Être capable d'optimiser ses projets en utilisant la solution d'IA la plus efficace et adaptée au contexte industriel 4.0.

1. COMPRENDRE LES FONDAMENTAUX DE L'INTELLIGENCE ARTIFICIELLE

• Démystification et compréhension des capacités actuelles de l'IA
• Étude des algorithmes et tâches intellectuelles : comment l'IA résout des problèmes complexes
• Types d'actions : classification, régression, clustering, réduction de dimensionnalité
• Intelligence collective et algorithmes génétiques
• Machine learning : principes et algorithmes clés

2. COMPRENDRE LES RÉSEAUX DE NEURONES ET DEEP LEARNING

• Structure et fonctionnement des réseaux de neurones
• Apprentissage : deep vs shallow networks, overfit, underfit, convergence
• Représentation de fonctions par les réseaux de neurones
• Généralisation des résultats et révolution du deep learning
• Démonstration : algorithme de classification et ses limites

3. APPLICATIONS PRATIQUES DU DEEP LEARNING

• Classification de données : différents scénarios (données brutes, images, sons, textes)
• Prédiction et données séquentielles/temporelles
• Transformation et génération de données (débruitage, segmentation d'images, traduction)
• Reinforcement learning : contrôle d'environnements et apprentissage de jeux vidéo
• Démonstration : classification d'images médicales, prévision d'images, contrôle de simulations

4. CONDITIONS SUR LES DONNÉES

• Volumétrie, dimensionnement, équilibre des classes
• Données brutes vs features travaillées
• Machine learning vs deep learning : quand choisir ?
• Qualification du problème et de la solution
• Étude de cas : identification de problèmes adaptés à l'IA

5. PRÉPARATION D'UN DATASET

• Qu'est-ce qu'un dataset ?
• Stockage et contrôle des données : biais, nettoyage, conversion
• Analyse statistique des données
• Formatage des données : entrées et sorties
• Création des ensembles d'entraînement, de validation et de test
• Structure pour garantir la pertinence des algorithmes
• Échanges : dataset vs bases de données classiques

6. RECHERCHE DE LA SOLUTION OPTIMALE

• Méthodologie pour l'optimisation des solutions
• Choix des axes de recherche et analyse des publications
• Itérations successives : des algorithmes simples aux architectures complexes
• Mise en place d'un banc de comparaison

7. PANORAMA DES OUTILS IA

• De Keras/Lasagne à TensorFlow, Apache Spark et Hadoop
• Industrialisation des réseaux de neurones : encadrement et suivi
• Réapprentissages successifs pour l'optimisation continue
• Formation des utilisateurs à la compréhension des réseaux
• Étude de cas : optimisation d'une solution par regroupement et équilibrage