Qu'est-ce que l’IA. Les prérequis mathématiques. Les réseaux neuronaux et architectures, fonctions d’activation, pondération des liens inter-neurones. Les formes de propagation, les fonctions d'erreur... Les familles de réseaux neuronaux : RBN, perceptron multi-niveaux, récurrents, LSTM, Hopfield, convolution, etc. Machine Learning, usages, trois formes d'apprentissage : supervisé, non supervisé et par renforcement. Annotation, normalisation et compartimentage des données. Sous et sur-apprentissage. Les métriques d’analyse d’erreurs. Les algorithmes supervisés : régression linéaire, SVM, régression logistique, Naïve Bayes, Analyse Discriminante Linéaire, arbres de décision, algorithme des plus proches voisins (K-Nearest Neighbor algorithm), etc. Les algorithmes non supervisés : K-Means Clustering, Mean-Shift Clustering, GMM, DBSCAN, HAC, etc. Algorithmes de Q-Learning, SARSA, DQN, DQPG, etc. La réduction dimensionnelle et simplification du modèle. Apprentissage par renforcement. API et langages. Tour d’horizon des applications concernées.

Utilisation des techniques d'IA : phase d'entraînement sur des données labellisées, phase de découverte pour améliorer le modèle. Usages : reconnaissance d’objets, d’images, de sons, de phrases.... Focus sur les réseaux convolutifs. Les capsules de Hinton et leur finalité. Les API : Tensor Flow de Google, Keras, PyTorch (Nvidia), DeepLearning4J (Java), CNTK (Microsoft Cognitive Toolkit), etc. Les applications possibles de "deep learning", recommandations sur la manière de conduire les projets. L'IA et les emplois, l’arme politique entre les mains des grandes puissances, les risques pour la démocratie, les algorithmes peuvent-ils devenir intelligents et dominer le genre humain.

Qu'est-ce que l’IA. Les prérequis mathématiques. Les réseaux neuronaux et architectures, fonctions d’activation, pondération des liens inter-neurones. Les formes de propagation, les fonctions d'erreur... Les familles de réseaux neuronaux : RBN, perceptron multi-niveaux, récurrents, LSTM, Hopfield, convolution, etc. Machine Learning, usages, trois formes d'apprentissage : supervisé, non supervisé et par renforcement. Annotation, normalisation et compartimentage des données. Sous et sur-apprentissage. Les métriques d’analyse d’erreurs. Les algorithmes supervisés : régression linéaire, SVM, régression logistique, Naïve Bayes, Analyse Discriminante Linéaire, arbres de décision, algorithme des plus proches voisins (K-Nearest Neighbor algorithm), etc. Les algorithmes non supervisés : K-Means Clustering, Mean-Shift Clustering, GMM, DBSCAN, HAC, etc. Algorithmes de Q-Learning, SARSA, DQN, DQPG, etc. La réduction dimensionnelle et simplification du modèle. Apprentissage par renforcement. API et langages. Tour d’horizon des applications concernées.

Utilisation des techniques d'IA : phase d'entraînement sur des données labellisées, phase de découverte pour améliorer le modèle. Usages : reconnaissance d’objets, d’images, de sons, de phrases.... Focus sur les réseaux convolutifs. Les capsules de Hinton et leur finalité. Les API : Tensor Flow de Google, Keras, PyTorch (Nvidia), DeepLearning4J (Java), CNTK (Microsoft Cognitive Toolkit), etc. Les applications possibles de "deep learning", recommandations sur la manière de conduire les projets. L'IA et les emplois, l’arme politique entre les mains des grandes puissances, les risques pour la démocratie, les algorithmes peuvent-ils devenir intelligents et dominer le genre humain.