Badge Développement

Formation
Intelligence artificielle

: 5 jours

: Gratuit

: Technobel - Ciney

: 5 jours

: Gratuit

: Technobel - Ciney

L'Intelligence Artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication). Ce séminaire vous présentera les principales approches de l'intelligence dans la résolution de problèmes. Un grand nombre d'applications seront présentées, du traitement de la donnée brute à la création de contenus originaux en passant par le contrôle d'agents, la classification automatisée ou l'approximation d'une donnée pour en faciliter sa compréhension et sa manipulation.


Connaissances du langage Python


Qu'est-ce que l'Intelligence Artificielle (jusqu'aux réseaux de neurones) ?

  • 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.
  • Algorithmes génétiques : faire évoluer une population d'agents virtuels par sélection.
  • Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest).

Réseaux de neurones et Deep Learning

  • Qu'est-ce qu'un réseau de neurones ?
  • Qu'est-ce que l'apprentissage d'un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence.
  • Approximer une fonction par un réseau de neurones : présentation et exemples.
  • Approximer une distribution par un réseau de neurones : présentation et exemples.
  • Génération de représentations internes au sein d'un réseau de neurones.
  • Généralisation des résultats d'un réseau de neurones.
  • Révolution du Deep Learning : généricité des outils et des problématiques.

Introduction au Machine Learning

  • Définition
  • Vocabulaire
  • A quelles questions répond le Machine Learning ?

Exploration des données

  • Explorer les données pour un algorithme dit de régression
  • Explorer les données pour un algorithme dit de classement
  • Azure Machine Learning Workbench et Azure Notebook

Préparer les données

  • Gérer les données dupliquées
  • Gérer les données manquantes
  • Gérer les erreurs
  • Transformer et splitter les données
  • Etudier les "features"
  • Azure Machine Learning Workbench et Azure Notebook

Algorithme supervisée

  • Les bases de Scikit-Learn
  • Régression linéaire et classification
  • Logistic regression
  • Loss Function et ROC

Amélioration du modèle

  • Selection des "features"
  • Régularisation
  • Interpréter les "features"
  • Paramètres
  • Validation croisée

Nous utilisons des cookies à des fins statistiques et pour faciliter la navigation et le partage social.