Prochaines sessions
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)