Intelligence artificielle, Machine Learning et Deep Learning : enjeux, applications sectorielles et outils

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

• L'IA entre fantasme et réalité : état des lieux actuel
• Tâches intellectuelles et algorithmes : où se situe la frontière ?
• Types d'actions algorithmiques : classification, régression, clustering, estimation de densité, réduction de dimensionnalité
• Intelligence collective : agrégation d'une connaissance partagée par des agents virtuels
• Algorithmes génétiques : évolution d'une population d'agents virtuels par sélection naturelle simulée
• Machine Learning : présentation et principaux algorithmes — XGBoost, Random Forest

Module 2 — Réseaux de neurones et Deep Learning

• Architecture d'un réseau de neurones : structure et fonctionnement
• L'apprentissage d'un réseau de neurones : deep vs shallow network, overfit, underfit, convergence
• Approximation d'une fonction par un réseau de neurones : présentation et exemples concrets
• Génération de représentations internes au sein d'un réseau de neurones
• Généralisation des résultats : robustesse et transférabilité
• La révolution du Deep Learning : généricité des outils et des problématiques
• Démonstration : présentation d'un algorithme de classification et analyse de ses limites

Module 3 — Applications du Deep Learning

• Classification de données : scénarios variés — données brutes, images, sons, textes
• Enjeux d'une classification et choix structurants d'un modèle
• Outils de classification : réseaux Multilayer Perceptron (MLP) et Convolutional Neural Network (CNN)
• Prédiction d'informations et données séquentielles/temporelles : enjeux et limites
• Règles structurelles dans les données pour la prédiction et outils usuels
• Transformation et génération de données : débruitage, segmentation d'image, traduction automatique, Neural style
• Génération de données originales : images à partir de descriptions textuelles
• Reinforcement Learning : contrôle d'un environnement par apprentissage par renforcement
• Experience Replay et apprentissage des jeux vidéo par réseau de neurones
• Démonstration : classification d'images médicales, prévision d'images vidéo, contrôle de simulations numériques

Module 4 — Quels problèmes résoudre avec le Machine/Deep Learning ?

• Conditions sur les données : volumétrie, dimensionnement, équilibre des classes, description
• Données brutes versus features travaillées : critères de choix
• Machine Learning versus Deep Learning : choisir le bon paradigme
• Qualification du problème : Unsupervised Learning versus Supervised Learning
• Qualification de la solution : comprendre l'écart entre une affirmation et le résultat d'un algorithme
• Étude de cas : qualification d'une problématique réelle pouvant être traitée par l'IA

Module 5 — Préparation d'un dataset

• Définition d'un jeu de données (dataset) et différences avec une base de données classique
• Stocker et contrôler la donnée : surveiller les biais, nettoyer et convertir en préservant la réversibilité
• Comprendre la donnée : représentations statistiques, distribution et analyse exploratoire
• Formater la donnée : choisir un format d'entrée et de sortie en cohérence avec le problème
• Préparer les données : constitution des Train Set, Validation Set et Test Set
• Mettre en place une structure de validation pour s'assurer de la pertinence réelle des algorithmes
• Échanges sur les spécificités d'un dataset par rapport à une base de données classique

Module 6 — Recherche de la solution optimale

• Méthodologie pour progresser vers la meilleure solution à un problème ML/DL
• Sélection d'une direction de recherche et identification de publications ou projets similaires
• Itérations successives : des algorithmes simples aux architectures complexes
• Conservation d'un référentiel de comparaison transversal
• Stratégies pour converger vers une solution optimale
• Étude de cas : agréger et équilibrer des solutions pour obtenir un résultat optimal

Module 7 — L'écosystème des outils IA

• Panorama des outils disponibles aujourd'hui
• Outils dédiés à la recherche versus outils industriels
• De Keras et Lasagne à Caffe, Torch, Theano, TensorFlow, Apache Spark et Hadoop
• Industrialiser un réseau de neurones : processus encadré et suivi continu
• Réapprentissages successifs pour maintenir un réseau à jour et performant
• Former les utilisateurs à la compréhension et à l'interprétation du réseau
• Démonstration : mise en place de réapprentissages successifs en conditions réelles