Formation Fondements de l'intelligence artificielle (IA) et de l'apprentissage automatique

Introduction à l'apprentissage automatique appliqué

• Apprentissage statistique vs apprentissage automatique
• Itération et évaluation
• Compromis biais-variance
• Apprentissage supervisé vs non supervisé
• Problèmes résolus par l'apprentissage automatique
• Entraînement, Validation, Test – Flux de travail ML pour éviter le sur-apprentissage (overfitting)
• Flux de travail de l'apprentissage automatique
• Algorithmes d'apprentissage automatique
• Choix de l'algorithme approprié au problème

Évaluation des algorithmes

• Évaluation des prédictions numériques
  • Mesures de précision : ME, MSE, RMSE, MAPE
  • Stabilité des paramètres et des prédictions
• Évaluation des algorithmes de classification
  • Exactitude et ses limites
  • Matrice de confusion
  • Problème des classes déséquilibrées
• Visualisation des performances du modèle
  • Courbe de profit
  • Courbe ROC
  • Courbe de lift
• Sélection de modèles
• Ajustement du modèle – Stratégies de recherche sur grille

Préparation des données pour la modélisation

• Importation et stockage des données
• Compréhension des données – explorations de base
• Manipulation des données avec la bibliothèque pandas
• Transformations de données – Data wrangling
• Analyse exploratoire
• Observations manquantes – détection et solutions
• Valeurs aberrantes (outliers) – détection et stratégies
• Standardisation, normalisation, binarisation
• Recodage des données qualitatives

Algorithmes d'apprentissage automatique pour la détection des valeurs aberrantes

• Algorithmes supervisés
  • KNN
  • Boosting de gradient en ensemble (Ensemble Gradient Boosting)
  • SVM
• Algorithmes non supervisés
  • Basés sur la distance
  • Méthodes basées sur la densité
  • Méthodes probabilistes
  • Méthodes basées sur les modèles

Comprendre l'apprentissage profond

• Aperçu des concepts de base de l'apprentissage profond
• Distinction entre apprentissage automatique et apprentissage profond
• Aperçu des applications de l'apprentissage profond

Aperçu des réseaux de neurones

• Que sont les réseaux de neurones
• Réseaux de neurones vs modèles de régression
• Compréhension des fondements mathématiques et des mécanismes d'apprentissage
• Construction d'un réseau de neurones artificiel
• Compréhension des nœuds et des connexions de neurones
• Travail avec les neurones, les couches et les données d'entrée et de sortie
• Compréhension des perceptrons monocouches
• Différences entre apprentissage supervisé et non supervisé
• Apprentissage des réseaux de neurones feedforward et feedback
• Compréhension de la propagation avant et de la rétropropagation (backpropagation)

Construction de modèles simples d'apprentissage profond avec Keras

• Création d'un modèle Keras
• Compréhension de vos données
• Spécification de votre modèle d'apprentissage profond
• Compilation de votre modèle
• Ajustement (Fitting) de votre modèle
• Travail avec vos données de classification
• Travail avec les modèles de classification
• Utilisation de vos modèles

Travail avec TensorFlow pour l'apprentissage profond

• Préparation des données
  • Téléchargement des données
  • Préparation des données d'entraînement
  • Préparation des données de test
  • Mise à l'échelle des entrées
  • Utilisation de variables et de variables de place (placeholders)
• Spécification de l'architecture du réseau
• Utilisation de la fonction de coût
• Utilisation de l'optimiseur
• Utilisation d'initialisateurs
• Ajustement du réseau de neurones
• Construction du graphe
  • Inférence
  • Perte (Loss)
  • Entraînement
• Entraînement du modèle
  • Le graphe
  • La session
  • Boucle d'entraînement (Train Loop)
• Évaluation du modèle
  • Construction du graphe d'évaluation
  • Évaluation avec sortie d'évaluation
• Entraînement de modèles à grande échelle
• Visualisation et évaluation des modèles avec TensorBoard

Application de l'apprentissage profond à la détection d'anomalies

• Autoencodeur
  • Architecture Encodeur - Décodeur
  • Perte de reconstruction
• Autoencodeur variationnel (Variational Autoencoder)
  • Inférence variationnelle
• Réseau adversarial génératif (GAN)
  • Architecture Générateur – Discriminateur
  • Approches d'AN (détection d'anomalies) utilisant GAN

Cadres d'ensembles (Ensemble Frameworks)

• Combinaison des résultats de différentes méthodes
• Aggregation Bootstrap (Bootstrap Aggregating)
• Moyennage du score des valeurs aberrantes