46-ce-quil-faut-comprendre-de-lintelligence-artificielle

Ce qu'il faut comprendre de l'Intelligence artificielle

Notre objectif est de donner les clés aux participants pour leur permettre d'approfondir les thèmes évoqués. Sans nous réfugier derrière des mathématiques "illisibles".

Séminaires planifiés :

  1. Du 02/10/2022 au 03/10/2022 - Ce qu'il faut comprendre de l'Intelligence Artificielle - Séminaire 4
  2. Du 14/12/2022 au 15/12/2022 - Ce qu'il faut comprendre de l'Intelligence Artificielle - Séminaire 5
Votre package comprend :
  • Abonnement au site LeMarson pendant un an
  • 2 journées en direct
  • Des documents à télécharger en relation avec les thèmes traités
  • Des QCM pour vous évaluer à chaque session
Tarif du séminaire
  • Montant total à régler $1,000.00
Inscrivez-vous et choisissez votre date

Un extrait vidéo de votre seminaire

Datatdocké

Pour vous faire
bénéficier de l'aide
au financement de
votre formation.

2 séminaires planifiés au programme

Session Ce qu'il faut comprendre de l'Intelligence Artificielle - Séminaire 4 du 02/10/2022 au 03/10/2022

L'Intelligence artificielle : Séminaire 4 - Jour 1
Séminaire

L'Intelligence artificielle : Séminaire 4 - Jour 1

Qu'est-ce que l’IA. Les prérequis mathématiques. Les réseaux neuronaux et architectures, fonctions d’activation, pondération des liens inter-neurones. Les formes de propagation, les fonctions d'erreur... Les familles de réseaux neuronaux : RBN, perceptron multi-niveaux, récurrents, LSTM, Hopfield, convolution, etc. Machine Learning, usages, trois formes d'apprentissage : supervisé, non supervisé et par renforcement. Annotation, normalisation et compartimentage des données. Sous et sur-apprentissage. Les métriques d’analyse d’erreurs. Les algorithmes supervisés : régression linéaire, SVM, régression logistique, Naïve Bayes, Analyse Discriminante Linéaire, arbres de décision, algorithme des plus proches voisins (K-Nearest Neighbor algorithm), etc. Les algorithmes non supervisés : K-Means Clustering, Mean-Shift Clustering, GMM, DBSCAN, HAC, etc. Algorithmes de Q-Learning, SARSA, DQN, DQPG, etc. La réduction dimensionnelle et simplification du modèle. Apprentissage par renforcement. API et langages. Tour d’horizon des applications concernées.
L'Intelligence artificielle : Séminaire 4 - Jour 2
Séminaire

L'Intelligence artificielle : Séminaire 4 - Jour 2

Utilisation des réseaux neuronaux : phase d'entraînement sur des données labellisées, phase de découverte pour améliorer le modèle avec une méthode mathématique. Usages : reconnaissance d’objets, d’images, de sons, de phrases dans une communication téléphonique, etc. Focus sur les réseaux convolutifs. Les capsules de Hinton et leur finalité. Les API du deep learning : Tensor Flow de Google, Keras, PyTorch (Nvidia), DeepLearning4J (Java), CNTK (Microsoft Cognitive Toolkit), etc. Les applications possibles de "deep learning", recommandations sur la manière de conduire les projets. L’IA et les emplois, l’arme politique entre les mains des grandes puissances, les risques pour la démocratie, les algorithmes peuvent-ils devenir intelligents et dominer le genre humain.

Session Ce qu'il faut comprendre de l'Intelligence Artificielle - Séminaire 5 du 14/12/2022 au 15/12/2022

L'Intelligence artificielle : Séminaire 5 - Jour 1
Séminaire

L'Intelligence artificielle : Séminaire 5 - Jour 1

Qu'est-ce que l’IA. Les prérequis mathématiques. Les réseaux neuronaux et architectures, fonctions d’activation, pondération des liens inter-neurones. Les formes de propagation, les fonctions d'erreur... Les familles de réseaux neuronaux : RBN, perceptron multi-niveaux, récurrents, LSTM, Hopfield, convolution, etc. Machine Learning, usages, trois formes d'apprentissage : supervisé, non supervisé et par renforcement. Annotation, normalisation et compartimentage des données. Sous et sur-apprentissage. Les métriques d’analyse d’erreurs. Les algorithmes supervisés : régression linéaire, SVM, régression logistique, Naïve Bayes, Analyse Discriminante Linéaire, arbres de décision, algorithme des plus proches voisins (K-Nearest Neighbor algorithm), etc. Les algorithmes non supervisés : K-Means Clustering, Mean-Shift Clustering, GMM, DBSCAN, HAC, etc. Algorithmes de Q-Learning, SARSA, DQN, DQPG, etc. La réduction dimensionnelle et simplification du modèle. Apprentissage par renforcement. API et langages. Tour d’horizon des applications concernées.
L'Intelligence artificielle : Séminaire 5 - Jour 2
Séminaire

L'Intelligence artificielle : Séminaire 5 - Jour 2

Utilisation des réseaux neuronaux : phase d'entraînement sur des données labellisées, phase de découverte pour améliorer le modèle avec une méthode mathématique. Usages : reconnaissance d’objets, d’images, de sons, de phrases dans une communication téléphonique, etc. Focus sur les réseaux convolutifs. Les capsules de Hinton et leur finalité. Les API du deep learning : Tensor Flow de Google, Keras, PyTorch (Nvidia), DeepLearning4J (Java), CNTK (Microsoft Cognitive Toolkit), etc. Les applications possibles de "deep learning", recommandations sur la manière de conduire les projets. L’IA et les emplois, l’arme politique entre les mains des grandes puissances, les risques pour la démocratie, les algorithmes peuvent-ils devenir intelligents et dominer le genre humain.