Intelligence Artificielle

- Maîtriser les méthodologies et connaître les outils propres aux projets d'intelligence artificielle - Comprendre réellement ce que sont les outils Machine et Deep Learning, leurs potentiels et leurs limites.

Qu'est-ce que l'Intelligence Artificielle ? - Le fantasme de l'Intelligence Artificielle et la réalité d'aujourd'hui - Tâche intellectuelle versus algorithmes - Types d'actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité - Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels - Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest) Quels problèmes peut-on adresser avec le Machine/Deep Learning ? - Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description - Donnée brute vs features travaillées : que choisir ? - Machine Learning versus Deep Learning : les algorithmes plus anciens du Machine Learning ou les réseaux de neurones ? - Qualifier le problème : Unsupervised Learning versus Supervised Learning - Qualifier la solution d'un problème : comprendre la distance entre une affirmation et le résultat d'un algorithme Génération d'un Data test : - Qu'est-ce qu'un Dataset ? - Stocker/contrôler la donnée : surveiller les biais, nettoyer/convertir sans s'interdire des retours en arrière - Comprendre la donnée : représentation des outils statistiques permettant une vision d'une donnée, sa distribution... - Formater une donnée : décider d'un format d'entrée et de sortie, faire le lien avec la qualification du problème Les outils : - Quels outils existe-t-il aujourd'hui ? - Quels outils pour la recherche et quels outils pour l'industrie ?

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

Connaissances de base des modeles relationnels, des statistiques et des langages de programmation