Formation Reconnaissance de Formes

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Ce cours a été créé pour les gestionnaires, les architectes de solutions, les responsables d’innovation, les CTO, les architectes logiciels et toute personne intéressée par un aperçu de l’intelligence artificielle appliquée et des prévisions les plus récentes concernant son développement.

Cette formation en direct avec un formateur (en ligne ou sur site) est destinée aux participants de niveau débutant souhaitant apprendre les concepts essentiels de probabilité, statistiques, programmation et apprentissage automatique, et les appliquer au développement d'IA.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts de base en probabilité et statistiques, et les appliquer à des scénarios du monde réel.
• Rédiger et comprendre le code de programmation procédural, fonctionnel et orienté objet.
• Mettre en œuvre des techniques d'apprentissage automatique telles que la classification, l'agrégation et les réseaux neuronaux.
• Développer des solutions IA à l'aide de systèmes d'inférence et d'experts pour la résolution de problèmes.

Le réseau de neurones artificiels est un modèle de données informatiques utilisé dans le développement de systèmes Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Les réseaux de neurones artificiels Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une mise en œuvre de l'IA. Le Deep Learning est un sous-ensemble du ML.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et statisticiens de niveau intermédiaire qui souhaitent préparer des données, construire des modèles et appliquer efficacement les techniques d'apprentissage automatique dans leurs domaines professionnels.

À la fin de cette formation, les participants seront capables de:

• Comprendre et implémenter divers algorithmes Machine Learning.
• Préparer des données et des modèles pour les applications d'apprentissage automatique.
• Réaliser des analyses post hoc et visualiser efficacement les résultats.
• Appliquer les techniques d'apprentissage automatique à des scénarios réels, spécifiques au secteur.

Réseau de Neurones Artificiels est un modèle de données informatique utilisé dans le développement de systèmes d'Intelligence Artificielle (IA) capables d'effectuer des tâches "intelligentes". Les Réseaux de Neurones sont couramment utilisés dans les applications d'Apprentissage Automatique (ML), qui sont elles-mêmes une implémentation de l'IA. L'Apprentissage Profond est un sous-ensemble de l'Apprentissage Automatique.

L'apprentissage par renforcement profond (DRL) combine les principes de l'apprentissage par renforcement avec des architectures d'apprentissage profond pour permettre aux agents de prendre des décisions à travers leur interaction avec leurs environnements. Il sous-tend de nombreuses avancées modernes en IA, comme les véhicules autonomes, le contrôle robotique, le trading algorithmique et les systèmes de recommandation adaptatifs. Le DRL permet à un agent artificiel d'apprendre des stratégies, d'optimiser des politiques et de prendre des décisions autonomes basées sur l'essai-erreur en utilisant un apprentissage basé sur la récompense.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données de niveau intermédiaire qui souhaitent apprendre et appliquer les techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Mettre en œuvre des algorithmes clés d'RL, notamment Q-Learning, Policy Gradients et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond à l'aide de TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Dépanner, visualiser et optimiser les performances d'entraînement en utilisant des outils modernes.

Format du cours permettant d'évaluer les participants

• Conférence interactive et discussion guidée.
• Exercices pratiques et mises en œuvre concrètes.
• Démonstrations de codage en direct et applications basées sur des projets.

Options d'adaptation du cours

• Pour demander une version adaptée de ce cours (par exemple, en utilisant PyTorch au lieu de TensorFlow), veuillez nous contacter pour organiser.

Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique

Méthode pédagogique : présentation, échanges et études de cas

L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.

Dans cette formation en direct animée par un instructeur, les participants apprendront à utiliser Matlab pour concevoir, construire et visualiser un réseau de neurones convolutionnels pour la reconnaissance d'images.

A la fin de cette formation, les participants seront capables de :

• Construire un modèle d'apprentissage profond
• Automatiser l'étiquetage des données
• Travailler avec des modèles de Caffe et TensorFlow-Keras
• Former des données en utilisant plusieurs GPU, le cloud ou des clusters

Public cible

• Développeurs
• Ingénieurs
• Experts du domaine

Format de la formation

• Partie conférence, partie discussion, exercices et pratique intensive

La formation est destinée aux personnes qui souhaitent apprendre les bases des réseaux neuronaux et leurs applications.

Cette session de formation en classe comprendra des présentations et des exemples pratiques sur ordinateur, ainsi que des exercices d'études de cas à réaliser avec les bibliothèques de réseaux neuronaux et profonds appropriées.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.

Format du cours permettant d'évaluer les participants

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

Ce cours est une introduction à l'application des réseaux neuronaux aux problèmes du monde réel en utilisant le logiciel R-project.

Dans ce stage en présentiel encadré à France, les participants apprendront comment tirer parti des innovations dans les processeurs TPU pour maximiser les performances de leurs propres applications d'intelligence artificielle.

À la fin du stage, les participants seront capables de :

• Former différents types de réseaux neuronaux sur des quantités massives de données.
• Utiliser les TPUs pour accélérer le processus d'inférence jusqu'à deux ordres de magnitude.
• Utiliser les TPUs pour traiter des applications intensives telles que la recherche d'images, la vision dans le cloud et les photos.

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et, plus généralement, sur les algorithmes d'apprentissage automatique, l'apprentissage profond (algorithmes et applications).

La partie 1 (40%) de cette formation se concentre principalement sur les fondamentaux, mais vous aidera à choisir la bonne technologie : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20%) de cette formation introduit Theano - une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40%) de la formation se concentrera principalement sur TensorFlow - l'API de la bibliothèque logicielle open source de Google pour l'apprentissage profond. Tous les exemples et exercices pratiques seront réalisés avec TensorFlow.

Public cible

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond

Après avoir suivi ce cours, les participants seront en mesure de :

• bien comprendre les réseaux de neurones profonds (DNN), CNN et RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être en mesure d'effectuer des tâches d'installation, de configuration et d'architecture d'environnement de production
• être en mesure d'évaluer la qualité du code, de déboguer et de surveiller
• être en mesure de mettre en œuvre des tâches avancées telles que l'entraînement de modèles, la construction de graphes et la journalisation