Artificial Intelligence Expert : maitrise des techniques avancées - IABAC

Module 1 : consolider les fondamentaux du machine learning

• Le positionnement du machine learning au sein de l'IA.
• Le cycle de vie d'un projet ML et les flux de travail scalables.
• Les fonctions objectif et les techniques de régularisation.
• Les métriques d'évaluation des modèles et les algorithmes d'optimisation (SGD, Adam).
• Les réseaux de neurones artificiels (ANN) : propagation avant et rétropropagation.
• Le machine learning face au deep learning, du point de vue de l'implémentation.

Module 2 : développer des compétences Python avancées pour le deep learning

• La programmation Python pour l'IA (remise à niveau).
• La programmation orientée objet (POO) : classes, héritage et méthodes magiques.
• Les opérations avancées avec NumPy.
• Les décorateurs et les gestionnaires de contexte.
• La gestion des exceptions.
• La gestion des packages Python et le déploiement.
• La structuration de bases de code réutilisables pour l'IA.

Module 3 : maîtriser TensorFlow 2.x et Keras pour le deep learning

• Les concepts fondamentaux de TensorFlow 2.x.
• L'exécution dynamique (eager execution) et la fonction tf.function.
• Les tenseurs, types de données et structures de contrôle.
• Un aperçu de l'API Keras.
• La construction de modèles séquentiels et fonctionnels.
• L'entraînement des modèles, les callbacks, la sauvegarde et la restauration des poids.

Travaux pratiques

• Implémenter des CNN et des RNN avec Keras.

Module 4 : appliquer les mathématiques du deep learning

• L'algèbre linéaire pour l'IA : vecteurs, matrices et concepts propres (eigenvalues).
• Le calcul différentiel pour l'optimisation : dérivées, dérivées partielles et règle de la chaîne.
• Les probabilités essentielles : probabilité conditionnelle et raisonnement probabiliste en ML.
• Les fonctions d'activation et de perte : ReLU, sigmoïde, softmax, entropie croisée et perte quadratique.

Module 5 : explorer les fondations du deep learning

• Les architectures de deep learning.
• Les fonctions d'activation et le comportement des réseaux.
• La construction de modèles simples de deep learning.
• Les stratégies d'ajustement des hyperparamètres.
• L'optimisation de l'entraînement et les critères d'arrêt.
• La visualisation des modèles avec TensorBoard.

Module 6 : concevoir des architectures avancées de deep learning (CNN, RNN, LSTM)

• Les réseaux de neurones convolutifs (CNN) : cartes de caractéristiques, pooling et couches d'activation.
• Les cas d'usage de classification d'images.
• Les réseaux de neurones récurrents (RNN) : rétropropagation à travers le temps (BPTT) et modélisation de séquences.
• Les architectures LSTM et GRU.
• Les problèmes de gradient qui s'évanouit ou qui explose.

Travaux pratiques

• Implémenter un CNN et un LSTM sur un cas d'usage concret.

Module 7 : maîtriser le traitement automatique du langage naturel (NLP)

• Les fondamentaux du NLP.
• La modélisation du langage.
• Les modèles séquence à séquence.
• L'architecture Transformer.
• BERT et les embeddings contextuels.
• Les cas d'usage du NLP en entreprise.

Travaux pratiques

• Application de l'algorithme BERT pour le traitement de texte.

Module 8 : construire des systèmes de vision par ordinateur

• Les fondamentaux de la vision par ordinateur.
• La représentation d'image et l'extraction de caractéristiques.
• La reconnaissance d'objets basée sur les CNN.
• La segmentation d'images.
• Les architectures CNN avancées.
• Les mécanismes d'attention dans les modèles de vision.

Étude de cas

• Analyse d'une détection d'anomalies sur des radiographies médicales.

Travaux pratiques

• Classification d'images avec un réseau CNN (exemple : chat vs chien).

Module 9 : découvrir l'apprentissage par renforcement

• Le cadre général de l'apprentissage par renforcement.
• Les processus de décision de Markov (MDP).
• Les méthodes de programmation dynamique.
• L'apprentissage par Monte Carlo et par différence temporelle.
• Le framework OpenAI Gym.
• Le Deep Q-Learning.
• L'apprentissage par renforcement multi-agents.

Module 10 : se préparer à l'évaluation CAIE-AI3050

• Révision des points clés du cours.
• Présentation du format de l'évaluation par projet : conception du modèle, standards de code et analyse de performance.
• Conseils et stratégies pour réussir l'évaluation.