Les algorithmes pour l’IA
Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici
L’intelligence artificielle est de plus en plus intéressante pour les applications embarquées. Derrière le mot IA, se cachent des algorithmes et surtout des mathématiques parfois complexes et une mise au point technique délicate. Il est possible d’utiliser aujourd’hui des API qui cachent cette complexité au risque d’être surpris par le fonctionnement si l’on ne connaît pas certains modèles mathématiques. D’un point de vue technique, l’IA sur le cloud demande des ressources numériques importantes et l’IA embarquée une électronique au plus près du capteur pour simplifier les développements et faciliter le temps réel.
Dans cette formation nous allons découvrir l’IA, les modèles mathématiques associés, et dans ce contexte les problèmes liés aux systèmes embarqués.
OBJECTIFS
Connaître les bases de l’Intelligence Artificielle ;
Connaître les familles d’algorithmes : Machine learning et Deep learning ;
Connaître les contraintes pour les systèmes embarqués.
PUBLIC VISE
Concepteurs et Développeurs d’applications embarquées.
PREREQUIS
Connaître le langage python débutant et les lignes de commande Linux.
INTERVENANT
Ingénieur de Recherche au CNRS - 30 ans d’expérience en modélisation et développement logiciel. Enseigne depuis 20 ans dans plusieurs écoles.
Le programme CAP’TRONIC aide, chaque année, 400 entreprises à monter en compétences sur les technologies liées aux systèmes électroniques et logiciel embarqué.
PRIX
Non-adhérent : 1 200€ HT
Adhérent CAP’TRONIC : 900€ HT
Remarque : Jessica France est titulaire d’un numéro d’agrément de formation continue et est référencé DATADOCK depuis le 1er juillet 2017. Cette formation est éligible au financement par votre Opérateur de Compétences (OPCO) hors CPF.
LIEU
CEA-TECH - 51 rue de l’Innovation 31670 LABEGE
PROGRAMME
Tour de table
Première ½ journée (3h30) - Introduction
Notions de base
Qu’est-ce que l’intelligence artificielle ?
Approche scientifique de l’IA
Historique
Pourquoi parle-t-on de l’IA maintenant ?
Pourquoi l’intelligence artificielle ?
Application de l’intelligence artificielle en 2022
Les différentes approches
Structuration
Prédiction
Modèle
Apprentissage automatique (Machine learning)
Notion d’apprentissage automatique
Approche habituelle
Approche machine learning
Les différents type d’apprentissage
Apprentissage supervisé
Apprentissage non supervisé ou prédictif
Apprentissage semi-supervisé
Apprentissage par renforcement
Autres apprentissages
Apprentissage profond (Deep learning)
Définition
Neurone biologique
Perceptron
Apprentissage
Réseau de neurone / Perceptron
Evolution
1er/2e journée - Machine learning
Notions de base
Notion de vraisemblance
Approche du machine learning
Analyse des données
Outils du machine learning et deep learning
Apprentissage et feedback
Apprentissage supervisé :
Régression linéaire simple
Régression linéaire multiple
Descente de gradient ordinaire et stochastique
Equation normale
Régression polynomiale
Modèles linéaires régularisés
Réseau de neurone (fonction d’activation, maillage, type de réseau)
2e journée - Machine learning
Apprentissage supervisé (suite)
Machine à vecteurs de support linéaire et non linéaire
Arbre de décision
Naïve Bayes Classifier
Forêt aléatoire
Apprentissage non supervisé
K-NN
K-MEANS
C-means Clustering
Limitation des systèmes embarqués
Moyenne par récurrence
Variance par récurrence
Calcul déporté des paramètres du modèle
Apprentissage par renforcement
Analyse des séries chronologiques
Travaux pratiques : Présentation et installation des outils : Matlab et commande de base, Jupyter Python
TP1 Régression linéaire simple
Définition d’un jeu de données
Ecriture d’un script
Calcul d’une régression linéaire (RMSE, coefficient de détermination, affichage graphique)
Utilisation du modèle pour la prédiction
TP2 Apprentissage supervisé - Régression linéaire capteur de température et pression
Production des données d’un capteur
Régression linéaire, avec les données de température / pression
Utilisation du modèle pour la prédiction
TP3 Apprentissage supervisé - Régression linéaire multiple
TP4 Apprentissage supervisé - Apprentissage d’un réseau de neurone
Exemple de calcul de propagation avant et arrière
Reconnaissance d’image : Classification d’image
Classificateur de données - Multi-layer Perceptron classifier
TP5 Équation normale
TP6 Classification Machine à Vecteur de support linéaire (SVM)
TP7 Arbre de décision
TP8 Apprentissage non supervisé KNN
TP9 Analyse séries chronologiques
Tour de table
ORGANISATION
Moyens pédagogiques : Support de cours – Travaux pratiques – Démonstrations – Assistance pédagogique assurée par le formateur 1 mois après la formation.
Moyens permettant d’apprécier les résultats de l’action : Evaluation de l’action de formation par l’envoi d’un questionnaire de satisfaction à chaud à l’issue de la formation, puis d’un questionnaire à froid quelques semaines après la formation.
Moyen permettant de suivre l’exécution de l’action : Evaluation des connaissances via un questionnaire avant et après la formation. Feuilles de présence signées par chaque stagiaire et le formateur par demi-journée de formation.
Sanction de la formation : Attestation d’assiduité.
RENSEIGNEMENTS ET INSCRIPTION
Sophie BASSE-CATHALINAT, cathalinat@captronic.fr - 06 79 49 15 99
Pour toute question y compris les conditions d’accès pour les publics en situation de handicap.
Les inscriptions sont closes. Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici
Informations mises à jour le 19/10/2022