Formation : L'Intelligence Artificielle avec Python

Description

 

Que vous soyez novice en IA & Python, ou Dirigeant, Chef de Projet, Consultant, analyste ou développeur désireux de découvrir le fonctionnement du Machine Learning & Deep Learning, cette formation est faite pour vous.

Cinq jours intensifs pour acquérir les bases de l’IA et apprendre à développer en Python des modèles de prédiction réels, en mettant en application les différents algorithmes du Machine Learning & Deep Learning.

Basée sur de nombreux exercices pratiques, cette formation vous permet d’acquérir un bagage technique permettant de faire évoluer les connaissances en vue d’être opérationnel sur les concepts abordés et pratiqués.

PLUS D’INFORMATIONS : 

https://www.aliase-formation.com

Durée recommandée

5.00 jours (35.00 heures)

Profils des stagiaires

  • Toute personne souhaitant s’initier à l’Intelligence Artificielle, comprendre le fonctionnement du Machine Learning & Deep Learning, et apprendre à réaliser des modèles de prédiction

  • Toute personne ayant un objectif de reconversion à l’IA et souhaitant acquérir les repères nécessaires pour apprendre le fonctionnement à travers des cas pratiques

  • Manager désirant comprendre les spécificités du Machine Learning & Deep Learning

  • Data analyst / Développeur spécialisé dans d'autres langages, désirant découvrir python en data science

Prérequis

 

  • Pas de prérequis particulier nécessaire

  • Ordinateur portable équipé wifi

Objectifs pédagogiques

 

  • Comprendre les bases et le fonctionnement des algorithmes du Machine Learning

  • Comprendre les objectifs et les domaines d’application

  • Apprendre à développer en Python des modèles de prédiction réels, pour résoudre des problèmes concrets, en mettant en applications les algorithmes d'apprentissage automatique appropriés du Machine Learning

  • Comprendre le Deep Learning et les différents réseaux de neurones

  • Maîtriser les outils (Tensorflow, Keras, …) pour faire du Deep Learning avec Python

  • Apprendre à mener à bien un projet de conception et mise en place d’algorithmes de Deep Learning avec Python

  • Apprendre les bonnes pratiques pour gérer un projet d’Intelligence artificielle

  • Maîtriser le langage Python et son application à l’Intelligence artificielle

 

Programme détaillé

 

 - Introduction aux notions de base du langage python

  • Environnement de développement

  • Types de données : variables, tableaux 1D et 2D, listes, matrices, dictionnaires, tuples …

  • Opérations courantes : opérations conditionnelles, boucles, fonctions itératives et récursives, …

  • Modules et packages

  • Manipulations de fichiers

  • Manipulation des données volumineuses : Numpy et Pandas

  • Visualisation des données : Matplotlib

  • Programmation orientée objet : méthodes et classes

  • Exercices

 - Introduction à l’intelligence artificielle (Machine Learning et Deep Learning)

  • A quel problème répond le Machine Learning ?

  • Algorithmes d’apprentissage par familles :

    • Apprentissage supervisé

    • Apprentissage non supervisé

    • Apprentissage par renforcement

  • Fonctions des algorithmes (Classification, Régression, Clustering, …)

  • Domaines d’application (Diagnostic médical, Recherche scientifique, Analyse d’images, Marketing ciblé, …)

 

- Algorithmes de l’apprentissage supervisé

    – Régression

  • Domaines d’application

  • Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage automatique)

  • Détailler comment fonctionne l’apprentissage automatique d’une machine

  • Détailler l’algorithme du « Gradient Descent » et son rôle dans l’optimisation des modèles de l’IA

  • Rappel sur la gestion des données avec les librairies Numpy et Pandas

  • Rappel sur la visualisation des données avec la librairie Matpotlib

  • Pratique :

  • Installation des Framework Spyder & Jupiter

  • Développer en Python un modèle de prédiction (Régression linéaire)

  • Evaluer et améliorer les performances du modèle réalisé

  • Ecrire le modèle de prédiction avec la librairie Sklearn

  • Quizz & Exercices

 

    – Classification par l’algorithme KNN (K-Nearest Neighbour)

  • Domaines d’application

  • Détailler le fonctionnement de l’algorithme KNN

  • Pratique :

  • Développer un programme de vision par ordinateur avec l’algorithme KNN :

  • Reconnaître une donnée (objet/image) et la classer dans une classe parmi n classes

  • Appliquer la méthode de Diagnostic d’un modèle de Machine Learning (Train Set / Test Set)

  • Quizz & Exercices

 

- Algorithmes de l’apprentissage non supervisé

   – Classification par l’algorithme K-Means Clustering

  • Domaines d’application

  • Détailler le fonctionnement de l’algorithme K-Means

  • Pratique :

  • Développer un modèle de clustering avec l’algorithme K-Means :

  • Reconnaître les structures des données (objets/images) et les regrouper dans une classe parmi n classes

  • Quizz & Exercices

 

- Réseaux de neurones

   – Comprendre l’objectif et le fonctionnement

  • Domaines d’application

  • Entraînement d’un réseau de neurones

  • Analyse de ce qui se passe dans un neurone

  • Détailler les fonctions d’activation les plus utilisées et leurs domaines d’application

  • Pratique :

  • Développer un programme de réseau de neurones : Classification n-aire avec Sklearn

  • Reconnaître une donnée (objet/image) et la classer dans une classe parmi n classes

  • Quizz & Exercices

 

   – Deep Learning avec Tensorflow

  • Avantages de Tensorflow et cas d’utilisation

  • Les environnements Deep Learning et leurs API Python (TensorFlow, Keras)

  • Pratique :

  • Installation de Tensorflow

  • Développer un programme de réseau de neurones avec Tensorflow

  • Vision par ordinateur, classification de données

  • Quizz & Exercices

 

   – Réseaux de neurones à convolution (CNN)

  • Principe de fonctionnement

  • Domaines d’application

  • Pratique :

  • Développer un programme de réseau de neurones à convolution avec Tensorflow

  • Traitement d’une base d’images

  • Quizz & Exercices

 

- Gestion de projet de Machine Learning / Deep Learning – Bonnes pratiques

  • Comment bien préparer les données avant la phase d’apprentissage

  • Diagnostiquer et améliorer les performances d’un modèle

  • Cycle de développement d’un modèle

  • Quizz

 

Organisation de la formation

 

Equipe pédagogique

ALIASE est un organisme de formation spécialisé en Intelligence artificielle et langage de programmation Python.

Les formations dispensées par ALIASE sont destinées aux personnes souhaitant acquérir de nouvelles compétences ou se perfectionner en Python et l’intelligence Artificielle. Les formations sont adaptées en fonction des niveaux des participants afin de leur permettre de s'initier, ou de faire évoluer leurs compétences, à travers des stages pratiques leur permettant de devenir rapidement opérationnel sur le langage Python, l’analyse des données, le développement web et les concepts de l’IA (Machine Learning & Deep Learning). 

Moyens pédagogiques et techniques

  • Formation à distance : La session se fait via un outil de visioconférence. ALIASE accompagne le participant à installer et faire fonctionner l’outil de visioconférence.

  • Formation en présentiel : Accueil des stagiaires dans une salle dédiée à la formation.

  • Documents supports de formation projetés (PowerPoint)

  • Méthode pédagogique axée sur l'acquisition des bases, et renforcée par des travaux pratiques concrets

             - Exposés théoriques : 35 %

             - Etude de cas concrets & Exercices : 65 %

  • Mise à disposition en ligne de documents supports à la suite de la formation

  • Outils : Anaconda, Spyder, Tensorflow, sublimetext pour illustrer l’utilisation de Python pour le Machine Learning & Deep Learning

Dispositif de suivi de l'exécution de d'évaluation des résultats de la formation

  • Feuilles de présence

  • Quizz

  • Exercices Pratiques

  • Formulaires d'évaluation de la formation