Toutes nos formations sont désormais disponibles en "Live Virtual classes". Contactez-nous pour plus d’informations : formation@oxiane.luToutes nos formations sont désormais disponibles en "Live Virtual classes". Contactez-nous pour plus d’informations : formation@oxiane.lu

IA : Langages et Outils : Java ou Python

Accueil » Formations » Data » IA : Langages et Outils : Java ou Python

L’intelligence artificielle ou I.A. est un domaine qui passionne les amateurs de science-fiction. Cependant, dans notre monde actuel, de nombreux développeurs n’utilisent pas les techniques associées, par manque de connaissances de celles-ci.

Cette formation présente donc les principales techniques d’intelligence artificielle, en commençant par les concepts principaux à comprendre, puis en donnant des exemples de code en Java/Python

2600 € HT 4 jours IA-LO

Programme

Contenu pour les développeurs JAVA

Introduction :

  • L’intelligence en générale
  • L’intelligence artificielle (IA)
  • Les domaines de l’IA

Les systèmes experts

  • Un système expert en polygones – Exemple
  • Contenu d’un système expert
  • Les types d’inférences
  • Etapes de construction d’un système
  • Optimisation et performances
  • L’ajout de la couche incertitudes
  • Les domaines d’applications
  • TP : Création d’un système expert ( en C# et prolog )

La logique floue

  • Incertitude, imprécision et probabilité
  • Ensembles flous et degrés d’appartenance
  • Opérateurs sur les ensembles flous
  • Création de règle
  • Fuzzification et défuzzification
  • Domaines d’applications
  • TP :  Implémentation d’un moteur de logique floue

La recherche de chemins

  • Chemins et graphes
  • Algorithmes naïfs de recherche de chemins
  • Algorithmes « intelligents »
  • TP : Implémentations

Les algorithmes génétiques

  • Évolution biologique
  • Évolution artificielle
  • Premières phases de l’algorithme et génération suivantes
  • Coévolution
  • TP : Implémentation
    • Résolution du problème du voyageur de commerce
    • Résolution d’un labyrinthe

Métaheuristiques d’optimisation

  • Optimisation et minimums
  • Algorithmes gloutons
  • Descente de gradient
  • Recherche tabou
  • Recuit simulé
  • Optimisation et Méta-optimisation
  • TP : Implémentation
    • Résolution du problème du sac à dos

Les systèmes multi-agents

  • Introduction et origine
  • Systèmes multi-agents
  • Classification des agents
  • Principaux algorithmes
  • TP : Implémentation
    • Banc de poissons
    • Tri Selectif
    • Jeu de la vie

Les réseaux de neurones

  • Introduction et origine
  • Machine Learning
  • Neurone formel et perceptron
  • Réseaux feed-forward
  • Autres architectures
  • TP : Implémentation
    • XOR, Abalone

Conclusion

Contenu pour les développeurs Python

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

Introduction au langage python​

  • Structures de données et opérations courantes (conditionnelles, boucles, fonctions, …)
  • Modules et packages
  • Manipulations des fichiers csv, xlsx …
  • Built-in fonctions
  • Analyse des données avec les librairies Numpy & Pandas
  • Visualisation graphique des données avec la librairie Matplotlib
  • Manipulation des Bases de données SQL avec Python (SQLite, PostgreSQL)

Workshop 1 : Data Preprocessing (2h) :

  • Manipuler des données avec la librairie Pandas : Nettoyage des données
  • Exploration Interprétation graphique et Visualisation avec Seaborn

Workshop 2 : Supervised  Learning (2h) :

  • House Price Prediction

Workshop 3 :  Unsupervised Learning (2h) :

  • Customer segmentation avec PCA

Introduction to Deep Learning (1h)

  • Avantages et cas d’utilisation
  • Les environnements et leurs API Python (TensorFlow, Keras)

Pratique  Tensorflow 2.0 (3h) :

  • CNN for Predicting the Bank Customer Satisfaction
  • CNN for Credit Card Fraud Detection

Workshop 5 : Pytorch (2h) :

  • Linear Regression with pytorch
  • Logistic regression and image classification

Workshop 6 : Building API for Machine Learning Model with Flask (3h)

  • Introduction to NLTK (1h)

Workshop 7 : NLTK (3h) :

  • Spam message classification
  • Restaurant review prediction

Gestion de projet de Machine Learning

  • Bonnes pratiques
  • Comment bien préparer les données avant la phase d’apprentissage
  • Diagnostiquer et améliorer les performances d’un modèle (Overfitting, Features selection, Cross Validation, Matrice de confusion)

Exercices & Quiz