Fondements de l'intelligence artificielle et du machine learning

- Développer une connaissance scientifique du domaine, mesurer les potentialités et les limites, comprendre les principaux leviers et bonnes pratiques en vue de la mise en oeuvre - Appréhender les formalismes existants pour la représentation de données complexes : séries temporelles, signaux multivariés, données relationnelles modélisées par des graphes, séquences de symboles, etc - S'initier aux différentes approches algorithmiques basées sur des principes statistiques, d'optimisation ou encore d'agrégation

Jour 1 - Fondements théoriques et bonnes pratiques en science des données et en machine learning : Typologie des données et des problèmes d'apprentissage, approches algorithmiques, évaluation de la performance, pipeline complète du capteur à l'usage et la décision et de la conception à la production, environnements logiciels. Jour 2 - Illustration sur des cas d'usage : Présentation de pipelines complètes et mise en oeuvre d'algorithmes sur des données complexes : signaux physiques ou biomédicaux, processus épidémiologiques, flux logistiques, images satellitaires, vidéo, etc.

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Elements de mathematiques (cycle universitaire ou ingenieur)