Formation Intelligence Artificielle Appliquée de Zéro

Ce cours porte sur l'IA (en mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans l'industrie automobile. Il aide à déterminer quelles technologies peuvent (éventuellement) être utilisées dans diverses situations à bord d'un véhicule, allant de l'automatisation simple et la reconnaissance d'images jusqu'à la prise de décision autonome.

Ce cours a été conçu pour les managers, les architectes de solutions, les responsables de l'innovation, les CTO, les architectes logiciels ainsi que toute personne souhaitant obtenir une vue d'ensemble de l'intelligence artificielle appliquée et des perspectives de développement les plus proches.

Un réseau neuronal artificiel est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux neuronaux sont couramment utilisés dans les applications d'apprentissage automatique (ML), qui constituent elles-mêmes une implémentation de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

Ce cours de 4 jours introduit l'intelligence artificielle (IA) et ses applications à l'aide du langage de programmation Python. Il est possible d'ajouter une journée supplémentaire pour réaliser un projet d'IA à l'issue de ce cours.

Cette formation en direct animée par un formateur à Belgique (en ligne ou sur site) s'adresse aux scientifiques des données et aux statisticiens de niveau intermédiaire qui souhaitent préparer des données, construire des modèles et appliquer efficacement les techniques d'apprentissage automatique dans leur domaine professionnel.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre et mettre en œuvre divers algorithmes d'apprentissage automatique.
• Préparer les données et les modèles pour des applications d'apprentissage automatique.
• Réaliser des analyses postérieures et visualiser efficacement les résultats.
• Appliquer les techniques d'apprentissage automatique à des scénarios réels et spécifiques au secteur d'activité.

Un réseau de neurones artificiel est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux de neurones sont couramment employés dans des applications d'apprentissage automatique (ML), qui constituent l'une des implémentations de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

Cette formation en direct, animée par un formateur, en Belgique (en ligne ou sur site), s'adresse aux chercheurs et aux développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python, tout en facilitant le débogage du code.

À la fin de cette formation, les participants seront capables de :

• Configurer l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et implémenter des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier des algorithmes existants pour optimiser les modèles d'entraînement en apprentissage profond, tout en tirant parti des GPU pour des performances élevées.

Cette formation en direct, encadrée par un formateur, en Belgique (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

À l'issue de cette formation, les participants seront capables de :

• Créer et entraîner des réseaux de neurones convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles cloud évolutif et efficace.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct, dispensée par un formateur à Belgique (en ligne ou sur site), fournit une introduction au domaine de la reconnaissance des motifs et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines des statistiques, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'extraction de données (data mining) et de la bio-informatique.

À l'issue de cette formation, les participants seront en mesure de :

• Appliquer des méthodes statistiques fondamentales à la reconnaissance des motifs.
• Utiliser des modèles clés tels que les réseaux de neurones et les méthodes de noyau pour l'analyse des données.
• Implémenter des techniques avancées pour la résolution de problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Cette formation en direct, animée par un formateur, dans Belgique (en ligne ou sur site), s'adresse aux data scientists et développeurs de niveau intermédiaire souhaitant comprendre et appliquer des techniques d'apprentissage profond dans l'environnement Google Colab.

À l'issue de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond avec TensorFlow.
• Entraîner et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Public cible

Ce cours s’adresse aux chercheurs et ingénieurs en apprentissage profond souhaitant exploiter les outils disponibles (principalement open source) pour analyser des images par ordinateur.

Des exemples concrets et fonctionnels sont fournis.

Cette formation en direct, animée par un formateur à Belgique (en ligne ou sur site), s'adresse aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données potentielles de fraude.

À l'issue de cette formation, les participants seront en mesure de :

• Créer un modèle de détection de la fraude en Python et avec TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'intelligence artificielle de bout en bout pour analyser les données de fraude.

Cette formation en présentiel, animée par un formateur, dans <lieu> (en ligne ou sur site), s'adresse aux développeurs et aux scientifiques des données qui souhaitent utiliser TensorFlow 2.x pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.

À l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond sur le cloud, les appareils mobiles et les dispositifs IoT.

TensorFlow est une API de deuxième génération de la bibliothèque open source de Google pour l'apprentissage profond. Le système est conçu pour faciliter la recherche en apprentissage automatique et rendre le passage du prototype de recherche au système de production rapide et aisé.

Public cible

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

À l'issue de ce cours, les participants seront capables de :

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer les tâches d'installation, de configuration de l'environnement de production et de l'architecture
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctions avancées de production telles que l'entraînement de modèles, la création de graphes et la journalisation

Ce cours commence par vous apporter des connaissances conceptuelles sur les réseaux de neurones et, de manière plus générale, sur les algorithmes d'apprentissage automatique et l'apprentissage profond (algorithmes et applications).

La partie 1 (40 %) de cette formation met davantage l'accent sur les fondamentaux, tout en vous aidant à choisir la technologie appropriée : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20 %) de cette formation introduit Theano, une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40 %) de la formation repose largement sur TensorFlow, l'API de la bibliothèque open source de Google dédiée à l'apprentissage profond. Les exemples et les exercices pratiques seront tous réalisés avec TensorFlow.

Public cible

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

À l'issue de ce cours, les participants seront capables de :

• avoir une bonne compréhension des réseaux neuronaux profonds (DNN), des CNN et des RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer l'installation, la configuration et les tâches liées à l'environnement de production et à l'architecture
• évaluer la qualité du code, effectuer du débogage et de la surveillance
• implémenter des fonctionnalités avancées de type production, telles que l'entraînement de modèles, la construction de graphes et la journalisation