L’environnement

Python est un langage clair, intuitif, massivement répandu, et devenu incontournable dans le traitement de données, l’ingénierie scientifique et l’intelligence artificielle.

Objectifs pédagogiques

À l’issue de la formation, le stagiaire sera capable de :

  • Appliquer des algorithmes de machine learning et deep learning
  • Identifier les limites du machine learning et du deep learning
  • Mesurer la fiabilité d’un modèle
  • Concevoir un projet de machine learning ou de deep learning

Public concerné

Technicien·ne·s, ingénieur·e·s, développeur·se·s, scientifiques, enseignant·e·s.

Prérequis

Maîtriser les librairies scientifiques NumPy et pandas ou avoir suivi la formation « Python Scientifique ».
Un questionnaire de pré-formation est proposé pour valider l’adéquation entre le besoin et la formation.

Programme de la formation

Introduction

  • Qu’est-ce que le machine learning ?
  • Exemples d’application
  • Pourquoi Python pour le machine learning ?
  • Pourquoi utiliser le machine learning ?
  • Apprentissage supervisé
  • Apprentissage non-supervisé
  • Apprentissage par renforcement
  • Les défis du machine learning
  • Tester et valider son modèle

Les étapes d’un projet machine learning

  • Où récupérer des données ?
  • Récupérer, analyser et visualiser des données
  • Séparation des données d’entraînement et de test
  • Préparer et nettoyer les données
  • Pipeline
  • Sélectionner et entraîner un modèle
  • Mesurer la fiabilité d’un modèle
  • Overfitting et underfitting
  • Réglages des hyperparamètres

Modèles linéaires

  • Qu’est-ce qu’un modèle linéaire ?
  • Régression linéaire
  • Régression logistique pour la classification
  • Modèles linéaires et régularisation

D’autres algorithmes de machine learning

  • Bootstrap
  • Analyse en composantes principales
  • Clustering avec k-moyennes

Introduction au deep learning

  • Réseau de neurones : l’inspiration biologique
  • Quelques grandes dates du deep learning
  • L’intelligence artificielle dans la démesure : quelques chiffres
  • Quels packages utiliser pour faire du deep learning ?

Un projet de deep learning

  • Quelles étapes pour entraîner un modèle de Deep Learning ?
  • Le perceptron
  • Qu’est-ce que la rétropropagation du gradient ?
  • Utilisation de Keras et PyTorch
  • Tutoriel Keras
  • Tutoriel PyTorch

Des modèles de deep learning

  • CNN : Convulational Neural Networks
  • Encoder-Decoder, AE, VAE, U-Net
  • Attention is all you need
  • LLM

Quelques applications

  • Coder avec l’IA
  • Des exemples d’applications « grand public »

Traitement d’images

  • Reconnaissance d’images
  • Détection d’objets
  • Applications avec PyTorch, OpenCV et YOLO