Introduction au Machine Learning et Deep Learning

Résumé

Prochaine session : du 11 au 12 décembre

Objectifs

• Comprendre les enjeux du machine learning et de l’intelligence artificielle
• Connaître les différentes approches d’un problème en machine learning : supervisé/non-supervisé/semisupervisé, régression/classification etc.
• Comprendre les avantages et inconvénients des réseaux de neurones profonds ou larges
• Savoir chiffrer l’empreinte mémoire et la complexité de calcul d’un réseau en phase d’apprentissage ou d’évaluation

Les plus de la formation 

• La formation se déroule avec une alternance entre apports théoriques et travaux pratiques.
• Le nombre réduit des participants permet une réelle aide personnalisée dans l’apprentissage.
• Chaque participant reçoit un lien sur File Sender (plateforme de service de transfert de fichiers numériques) pour accéder aux supports de cours

 

Nos atouts pédagogiques

L’équipe pédagogique est constituée d'ingénieurs de recherche pédagogique d'EFELIA (Ecole Française de l'Enseignement de l'Intelligence Artificielle) et du MIAI Cluster (Multidisciplinary Institute in Artificial Intelligence).

Cette formation s’appuie sur les moyens techniques de l’école Grenoble INP - Phelma, UGA.
 

Conditions d'admission

Pour qui ?
Cette formation s’adresse à des techniciens et ingénieurs (production, logistique, maintenance, innovation.. ) qui souhaitent connaître les notions essentielles du Machine Learning et de l’Intelligence Artificielle et appréhender les différents enjeux associés.

Pré-requis : Connaissances de base en programmation, statistiques (régression, estimateur etc.), ainsi qu’en optimisation mathématique (calcul d’une dérivée, notion de convergence etc.)

Effectif : 4 à 8 personnes

 

Programme

1 – INTRODUCTION À L’IA

• De l’IA symbolique à l’IA générative
• Différentes applications de l’IA
• Facteurs clés : algorithmes, données, puissance de calcul, bibliothèques Python

2 – APPRENTISSAGE AUTOMATIQUE (MACHINE LEARNING)

• Principe : apprendre à partir des données
• Types : supervisé, non supervisé, par renforcement
• Notions essentielles : généralisation, métriques, surapprentissage

3 – APPRENTISSAGE PROFOND (DEEP LEARNING)

• Du perceptron aux réseaux multicouches
• Spécificités des réseaux de neurones pour l’image et le langage
• Notions essentielles : paramètres, rétropropagation, fonction d’activation, fonction de coût, architecture, optimiseur, régularisation

4 – L’IA GÉNÉRATIVE ET PERSPECTIVES

• Génération de texte et d’image
• Enjeux éthiques et impacts sociétaux
• Tendances et évolutions futures de l’IA

Contrôle des connaissances

Quizz d’acquisition des connaissances en début et en fin de formation.