FFCCERTTERXBD03
Durée :
26 jour(s)
Présentation
Nous assistons, ces dernières années, à une accélération considérable des progrès réalisés dans les domaines de la vision par ordinateur, de la reconnaissance vocale ou encore de la recherche automatique d’information.
Ces méthodes sont aujourd’hui à l’œuvre dans de nombreux « systèmes intelligents », pour des domaines aussi variés que la biométrie, le véhicule à délégation partielle, le diagnostic médical automatique, les moteurs de recommandation associés aux sites Web commerciaux ou les assistants virtuels. L’ère du Big Data et de l’intelligence artificielle généralisée a débuté grâce aux briques technologiques modernes qui nous permettent désormais de stocker et traiter de façon automatisée, dans des temps très courts, des données massives de nature et format divers.
La formation présente les différentes composantes de l’intelligence artificielle : l’apprentissage statistique (machine learning, deep learning), le traitement de données massives (image, parole, etc.) et la robotique.
Cette formation certifiante et finançable par le CPF : Elle est inscrite au répertoire spécifique de France Compétences RS5182.
En savoir + : mon-compte-formation-CPF
#ParlonsFormation – Témoignages clients
Objectifs
- Employer les méthodes avancées d’apprentissage statistique pour résoudre des problématiques d’intelligence artificielle
- Utiliser les réseaux de neurones et les architectures associées
- Concevoir et analyser des expériences pour évaluer les systèmes HRI (Interaction Homme – Robot)
- Mettre en œuvre des méthodes d’apprentissage profond en s’appuyant sur des bibliothèques logicielles
-
Programme
Introduction
- Apprentissage statistique avancé
- Concepts et méthodes avancées pour l’intelligence artificielle
- Problématiques des données faiblement supervisées
- Few-Shot Learning
- Détection d’outliers
- Apprentissage par renforcement
- Apprentissage en ligne
Apprentissage statistique à grande échelle
- Objectifs et enjeux du passage à l’échelle en apprentissage statistique
- Apprentissage statistique supervisé
- Réduction de dimension
- Sélection de features
- Outils informatiques distribués
- Apprentissage profond
- Algorithmes de gradient stochastique
- Apprentissage profond et architectures associées
- ConvNet
- LSTM
- Autoencodeurs
Applications en traitement du signal
Logiques et intelligence artificielle symbolique
- Rappel des bases en logique (syntaxe, sémantique)
- Panorama des différents types de logiques (propositionnelle, premier ordre, modale)
- Logiques de description et logique floue
- Ontologies
- Méthodes d'apprentissage symbolique
- Analyse formelle de concept
- Arbres de décision
- Exemples de problèmes d'IA (révision, fusion, abduction, etc.)
Traitement automatique des langues et apprentissage
- Processus de langage naturel
- Tokenisation
- Marquage de partie de discours
- Représentation de document
- Word Embeddings
- Ressources linguistiques : lexiques, WordNet
- Classement et catégorisation de texte
- Réseaux de neurones
- Modèles de Markov cachés
Apprentissage pour l'image et la reconnaissance d'objets
- Introduction à l'apprentissage non supervisé (« Curse of Dimensionality », ACP, ACI, NMF)
- Introduction à l'apprentissage supervisé (Overfitting, OLS, Ridge, LASSO, LDA, QDA)
- SVM (Séparateur à vaste marge)
- Arbres de décision et forêts aléatoires
- Réseaux de neurones artificiels (ANN)
- Réseaux de neurones convolutionnels (CNN)
Apprentissage pour la robotique
- Contexte de la robotique et interaction homme-robot (Human-Robot Interaction – HRI)
- Évaluation des systèmes HRI
- Apprentissage automatique avec les humains dans la boucle
- Dialogue verbal et non verbal incarné
Discussion d'articles séminaux et récents
Traitement de données massives
- Collecte des données : API, open data, transfert de fichiers, brique d'intermédiation Kafka, RabbitMQ, etc.
- Stockage des données : hadoop, cloud, BDD, NoSQL
- Traitement des données : traitements distribués, graph mining
- Accès aux données : RGPD
Perception pour les systèmes autonomes
- Principales approches de la vision sur ordinateur utilisées en robotique
- Formalisation mathématique
Enjeux éthiques de l'intelligence artificielle
- IA et avenir du travail
- Grands sujets pour l'IA éthique (biais, explicabilité)
- Cas d'usages
- Comment concevoir une approche éthique « by design »
Synthèse et conclusion
-
Points forts
Double certification Télécom Paris et ENSTA Paris.
Les techniques et méthodes les plus récentes et innovantes de l'Intelligence Artificielle sont présentées en expliquant leurs fondements théoriques et en se basant sur des cas pratiques de données et usages réels. -
Public cible et prérequis
Cette formation s’adresse à des ingénieurs, chefs de projet ayant de bonnes connaissances en mathématiques (probabilités, optimisation) et une expérience significative en programmation et souhaitant développer leurs compétences dans le domaine de l’intelligence artificielle.
Des connaissances de bases en apprentissage statistique (machine learning) et une bonne expérience de la programmation sont indispensables pour suivre avec profit cette formation. -
Responsables
Geoffroy PEETERS
Enseignant-chercheur au sein du département Image, Données et Signal de Télécom Paris. Ses recherches portent sur le traitement du signal et l'apprentissage machine appliqué à la modification et à la description des signaux audio (parole, musique, sons environnementaux).
Antoine MANZANERA
Enseignant-chercheur à l’ENSTA Paris, il s’intéresse aux problématiques liées au traitement d'images et à la vision de bas niveau, du modèle mathématique à l'implantation parallèle sur un système embarqué. En particulier, ses travaux s’appliquent à la représentation et traitement des images, à l’analyse du mouvement, et aux systèmes de vision embarquée.
-
Vidéo
-
Évaluation et certification
Contrôle des acquis au travers de QCM, de travaux pratiques et d’un projet individuel permettant la rédaction d’un mémoire professionnel.
La certification Certificat d’Études Spécialisées « Intelligence Artificielle » de Télécom Paris et de l’ENSTA Paris est délivrée après validation des contrôles de connaissances et du mémoire professionnel présenté oralement devant un jury.
