Intelligence Artificielle : enjeux, outils et applications du Machine Learning au Deep Learning

Module 1 — Qu'est-ce que l'intelligence artificielle ?

• Représentations courantes de l'IA versus la réalité de ses capacités actuelles
• Ce qui distingue le raisonnement humain du traitement algorithmique
• Principales catégories de tâches : classification, régression, regroupement (clustering), estimation de densité, réduction de dimensionnalité
• Systèmes multi-agents : construire une connaissance collective à partir d'agents virtuels
• Algorithmes évolutifs : principes de la sélection naturelle appliqués à des populations d'agents
• Vue d'ensemble du machine learning et de ses principaux algorithmes (XGBoost, Random Forest)

Module 2 — Réseaux de neurones et deep learning

• Architecture et fonctionnement d'un réseau de neurones artificiels
• Processus d'apprentissage : réseaux profonds vs superficiels, surapprentissage, sous-apprentissage, convergence
• Approximation de fonctions par réseaux de neurones : illustration par des cas concrets
• Représentations latentes et extraction de caractéristiques internes
• Aptitude à généraliser sur des données non vues
• Pourquoi le deep learning s'est imposé : souplesse et portée de ses applications
• Atelier : démonstration d'un algorithme de classification et analyse de ses limites.

Module 3 — Applications du deep learning

• Reconnaissance dans des données hétérogènes : textes, images, sons, signaux bruts…
• Critères de sélection d'une architecture de classification (MLP, CNN, machine learning classique)
• Prévision sur des données temporelles ou séquentielles : contraintes et solutions
• Transformation de données : débruitage, segmentation visuelle, traduction automatique, génération d'images depuis du texte
• Apprentissage par renforcement : un agent apprend à agir dans un environnement
• Experience Replay : comment un réseau de neurones apprend à maîtriser des jeux vidéo
• Atelier : reconnaissance d'images médicales, prévision de séquences, pilotage de simulations.

Module 4 — Quels problèmes résoudre avec le machine/deep learning ?

• Critères liés aux données : volume, dimensionnalité, équilibre des classes
• Données brutes ou variables construites : quelle approche selon le contexte ?
• Arbitrage entre machine learning et deep learning selon la nature du problème
• Apprentissage supervisé ou non supervisé : bien poser la question avant de choisir
• Savoir identifier l'écart entre ce qu'affirme un algorithme et ce qu'il produit réellement
• Atelier : formulation et qualification d'un problème traitable par l'IA.

Module 5 — Préparation d'un dataset

• Qu'est-ce qu'un jeu de données ? Différences avec une base de données traditionnelle
• Collecte, stockage et contrôle qualité : gérer les biais et nettoyer les données tout en conservant une traçabilité
• Analyse exploratoire : statistiques descriptives, visualisation, compréhension des distributions
• Mise en forme : définir les variables d'entrée et de sortie adaptées au problème
• Constitution des ensembles d'entraînement, de validation et de test
• Mise en place d'un protocole d'évaluation pour valider la pertinence des algorithmes
• Atelier : construction et analyse d'un dataset, distinctions avec une BDD classique.

Module 6 — Recherche de la solution optimale

• Démarche itérative pour identifier la meilleure approche à un problème ML/DL
• Sélection d'une piste de recherche en s'appuyant sur la littérature et les projets existants
• Progression graduée des solutions simples vers les architectures avancées
• Maintien d'un cadre de comparaison commun tout au long du processus
• Critères et méthodes pour valider qu'une solution est optimale
• Atelier : combiner plusieurs approches pour obtenir le meilleur résultat global.

Module 7 — Les outils disponibles

• État des lieux des environnements et frameworks utilisés en recherche et en production
• Principaux outils : Keras, Lasagne, Caffe, Torch, Theano, TensorFlow, Apache Spark, Hadoop
• Passage à l'échelle industrielle d'un réseau de neurones : gouvernance et supervision continue
• Stratégies de réentraînement pour maintenir un modèle performant dans le temps
• Accompagner les utilisateurs finaux à comprendre et utiliser un modèle IA
• Atelier : mise en place de cycles de réapprentissage successifs.