Intelligence Artificielle

L’intelligence artificielle ou l’IA est un programme qui permet aux ordinateurs de réaliser des opérations et de penser comme un être humain.

Cette formation vous permet de . Dans un premier temps, vous en apprendrez plus sur ce que recouvre vraiment l'intelligence artificielle. Vous identifierez ensuite les changements que l'IA amène dans notre société. Enfin, vous rentrerez dans le fonctionnement d’un projet d'intelligence artificielle et des disciplines d’IA les plus utilisées : le Machine Learning et le Deep Learning.

Objectifs pédagogiques

Les objectifs pour un candidat ayant suivi cette formation sont :

• Acquérir des connaissances et comprendre ce qu'est l'intelligence artificielle (IA).
• Identifier les applications potentielles et les avantages de l'utilisation de l'IA par profession, activité ou secteur.
• Définir les principales solutions, outils et technologies en matière d'IA.
• Comprendre les facteurs clés de succès d'une solution d'intelligence artificielle.
• Reconnaître les défis posés par l'IA.
• Saisir les distinctions entre l'apprentissage automatique (Machine Learning) et l'apprentissage profond (Deep Learning).
• Se tenir au courant des tendances actuelles et de la recherche dans le domaine.

Public concerné

• Managers, responsables de projets, chefs de projet, directeurs techniques, professionnels des secteurs commercial, marketing, ressources humaines, directeurs de l'innovation.
• Toute personne intéressée par l'impact de cette technologie.

Prérequis

• Culture informatique.

Programme de la formation

Fondamentaux

• Au-delà du buzz.
• Les évolutions récentes et l'état d'art de l’IA.
• Le lien entre Big Data et intelligence artificielle.
• Potentiel et limites de la discipline.
• Taxomony: training, inférence, algorithme, donnée, incertitude, etc.
• Machine Learning vs Deep learning.
• Exemples de cas pratiques.

Modèles d’apprentissage

• Apprentissage supervisé. 
• Apprentissage non supervisé.  

Modélisation

• Les algorithmes supervisés et non supervisés.
• Le choix entre la régression et la classification.
• Les étapes de construction d’un modèle d’apprentissage.
• Mesures de performance des modèles.

Algorithmes

• Régression linéaire.
• Regression logistique.
• Clustering.
• K-means.

Deep Learning

• Principe des réseaux de neurones.
• Les types d’architectures DL.
• Modèles pré-entrainés.
• Computer vision.
• Les LLM.

Moyens pédagogiques

• Classe inversée.
• Présentation des cas pratiques.
• Session de discussion et de quizz.