Prochaines sessions
Programme
1. Introduction : IA
- Intelligence artificielle : Histoire
- L’âge d’or de l’Intelligence Artificielle
- Les progrès du connexionnisme
- L’essor de l’IA symbolique
- Des machines qui comprennent le langage humain
- Intelligence artificielle : Définition
- Domaines d’application
- Les types de l’apprentissage automatique
- Les classes des algorithmes de l’apprentissage automatique
- Choix du type d’apprentissage et de l’algorithme
- Deep Learning
- Définition
- Domaines d’application
- Machine learning vs deep learning
- Application
- TP : Analyser et comprendre un exemple d’un algorithme IA
2. Introduction : Mathématique et statistique pour l’IA
- Les trois domaines d’expertise pour un data scientist
- L’expertise en mathématique et statistique
- L’algèbre linéaire
- Les matrices
- Les différents types de matrices
- Règles de calcul matriciel
- Exemples d’utilisation de matrice en data science
- Les vecteurs
- La notion de vecteur en géométrie
- Les valeurs propres
- Exemples d’utilisation de vecteurs et valeurs propres en data science
- Les espaces vectoriels
- Espaces Euclidiens et Non Euclidiens
- Visualisation des individus et calcul de distances
- Application : Calcul de distances et interprétations
- Mathématiques
- Les fonctions mathématiques
- La continuité d’une fonction
- La dérivée et sa signification géométrique
- Le calcul d’intégral et sa signification géométrique
- Notions d’extremums d’une fonction
- Les interpolations
- L’utilité de l’interpolation avec illustration graphique
- Exemple de calcul d’interpolation
- La théorie des graphes
- Définition d’un graphe
- Notion de graphe orienté
- Les différentes familles de graphes
- Modélisation de problèmes à l’aide de graphes
- Exemples d’utilisation de graphes en data science
- La statistique
- La statistique descriptive
- Les paramètres de tendance centrale
- Les paramètres de dispersion
- Les paramètres d’asymétrie et d’aplatissement
- Application de calcul et d’interprétation des paramètres statistiques
- Utilisation et interprétation d’un box-plot
- Cas pratique : Analyse et synthèse statistique d’une base de données
- La statistique inférentielle
- L’estimation ponctuelle et par intervalle de confiance
- Les tests paramétriques
- Les tests non paramétriques
- Variables et lois de probabilité
- Notions de variable aléatoire discrète
- Caractéristiques et paramètres d’une VA discrète
- Exemples de loi discrètes de probabilité
- Notions de variable aléatoire continues
- Caractéristiques et paramètres d’une VA discrète
- Exemples de lois continues de probabilité
3. Algorithmes & techniques du développeur IA
- Apprentissage supervisé : Définition & Exemples
- Terminologie et processus
- Terminologie : Données (Dataset), Caractéristiques (Features), Modèle
- Processus d’une approche IA :
- Collecte de données
- Préparation des données
- Formation d’un modèle
- Évaluation du modèle
- Améliorer les performances
- Algorithmes de classification
- Plus proches voisins (KNN)
- Définition
- Pseudo-Algorithme
- Algorithme
- Calcul de similarité
- Comment choisir la valeur K ?
- Limitations
- Application
- Les arbres de décision
- Caractéristiques
- Principe
- Terminologie
- Pseudo-Algorithme
- Algorithme : Construction sur exemple
- Degré de mélangeance
- Avantages
- Inconvénients
- TP : Application de l’algorithme arbre de décision
- Apprentissage supervisé : Les hyper-paramètres
- Qu’est-ce qu’un hyper-paramètre ?
- Comment régler les hyper-paramètre ?
- GridSearchCV
- Fonctionnement de GridSearchCV
- Application de GridSearchCV
- RandomizedSearchCV
- Fonctionnement de GridSearchCV
- Application de GridSearchCV
- Apprentissage supervisé : La régression
- Régression simple Vs multiple
- Régression linéaire
- Régression linéaire : Vocabulaire et notation
- Régression linéaire simple :
- Équation
- TP : Exemple d’application
- Droite de prédiction
- Minimisation de la fonction coût
- Algorithme de la Descente du Gradient
- Régression linéaire multiple
- Rappel sur le vocabulaire et la notation
- Principe et équation
- Exemples
- Régression polynomiale
- Choix de la fonction d’estimation
- Exemple d’application
- Apprentissage non-supervisé
- Introduction
- Définition
- Clustering
- Détection d’anomalie
- TP : Implémentation de l’algorithme K-means
- Réduction des dimensions : Définition
- Réduction des dimensions : Utilité
- Utilisation de la réduction de dimensionnalité
- Méthodes de réduction de dimensions
- Analyse en composantes principales (ACP)
- Analyse linéaire discriminante (ALD)
- Représentation des connaissances
- Logique des prédicats
- Logique modale
- Logique temporelle
- Logique multivaluée, floue