Formation Machine Learning en Nantes

Cette formation en direct avec instructeur à Nantes (en ligne ou sur site) s'adresse aux professionnels débutants qui souhaitent comprendre le concept des modèles pré-entraînés et apprendre à les appliquer pour résoudre des problèmes du monde réel sans avoir à construire des modèles à partir de zéro.

A l'issue de cette formation, les participants seront capables de :

• Comprendre le concept et les avantages des modèles pré-entraînés.
• Explorer les différentes architectures de modèles pré-entraînés et leurs cas d'utilisation.
• Affiner un modèle pré-entraîné pour des tâches spécifiques.
• Implémenter des modèles pré-entraînés dans des projets simples d'apprentissage automatique.

Cette formation en Nantes (en ligne ou sur site) s'adresse aux participants ayant différents niveaux d'expertise et souhaitant tirer parti de la plateforme Google AutoML pour créer des chatbots personnalisés pour diverses applications.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux du développement d'un chatbot.
• Naviguer sur la Google Cloud Platform et accéder à AutoML.
• Préparer les données pour l'entraînement des modèles de chatbot.
• Former et évaluer des modèles de chatbot personnalisés en utilisant AutoML.
• Déployer et intégrer les chatbots dans différentes plateformes et canaux.
• Contrôler et optimiser les performances des chatbots au fil du temps.

Cette formation en direct (en ligne ou sur place) dirigée par un formateur s'adresse aux développeurs d'intelligence artificielle (IA) intermédiaires, ingénieurs en apprentissage automatique et architectes de systèmes qui souhaitent optimiser les modèles IA pour le déploiement sur des dispositifs edge.

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

• Comprendre les défis et les exigences du déploiement de modèles IA sur des appareils edge.
• Appliquer des techniques de compression de modèles pour réduire la taille et la complexité des modèles IA.
• Utiliser des méthodes de quantification pour améliorer l'efficacité du modèle sur le matériel edge.
• Mettre en œuvre le taillage (pruning) et d'autres techniques d’optimisation pour améliorer les performances du modèle.
• Déployer des modèles IA optimisés sur divers appareils edge.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire, aux scientifiques des données et aux passionnés de technologie qui souhaitent acquérir des compétences pratiques pour déployer des modèles d'IA sur des dispositifs edge dans diverses applications.

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

• Comprendre les principes de l'IA en périphérie et ses avantages.
• Configurer et installer l'environnement de calcul en périphérie.
• Développer, entraîner et optimiser des modèles d'IA pour un déploiement edge.
• Implémenter des solutions pratiques d'IA sur les dispositifs en périphérie.
• Évaluer et améliorer la performance des modèles déployés en périphérie.
• Aborder les considérations éthiques et de sécurité dans les applications d'IA edge.

Cette formation en direct, dispensée par un formateur en Nantes (en ligne ou sur site), s'adresse à des ingénieurs en IA et à des scientifiques de données de niveau avancé, disposant d'une expérience intermédiaire à avancée, et souhaitant améliorer les performances des modèles DeepSeek, réduire la latence et déployer des solutions d'IA efficacement grâce aux pratiques modernes de MLOps.

À l'issue de cette formation, les participants seront en mesure de :

• Optimiser les modèles DeepSeek en termes d'efficacité, de précision et d'évolutivité.
• Mettre en œuvre les meilleures pratiques en matière de MLOps et de gestion des versions de modèles.
• Déployer des modèles DeepSeek sur des infrastructures cloud et sur site.
• Surveiller, maintenir et mettre à l'échelle des solutions d'IA de manière efficace.

MLOps sur Kubernetes est un cadre permettant d'automatiser la formation, la validation, le conditionnement et le déploiement de modèles d'apprentissage automatique en utilisant des pipelines conteneurisés et des workflows GitOps.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux praticiens de niveau intermédiaire qui souhaitent construire des pipelines MLOps automatisées et évolutives sur Kubernetes.

Après avoir suivi cette formation, les participants seront équipés pour :

• Concevoir des pipelines CI/CD complets pour l'apprentissage automatique.
• Mettre en œuvre des workflows GitOps pour le déploiement et la gestion de versions des modèles.
• Automatiser la formation, les tests et le conditionnement des modèles d'apprentissage automatique.
• Intégrer des stratégies de surveillance, d'alerte et de retour en arrière.

Format du cours permettant d'évaluer les participants

• Présentations guidées par un instructeur et plongées techniques approfondies.
• Exercices pratiques qui construisent des workflows CI/CD réels.
• Pratique en laboratoire vivant pour déployer des charges de travail d'apprentissage automatique sur Kubernetes.

Options de personnalisation du cours

• Les organisations peuvent demander un contenu adapté en accord avec leurs outils et infrastructures MLOps internes.

Kubeflow est une plateforme open-source conçue pour simplifier la création, l'entraînement et le déploiement de charges de travail d'apprentissage automatique sur Kubernetes.

Cette formation dirigée par un formateur (en ligne ou sur site) est destinée aux professionnels de niveau débutant à intermédiaire qui souhaitent créer des flux de travail fiables en utilisant Kubeflow.

À la fin de cette formation, les participants acquerront les compétences nécessaires pour :

• Naviguer dans l'écosystème Kubeflow et ses composants principaux.
• Créer des flux de travail reproductibles avec Kubeflow Pipelines.
• Exécuter des tâches d'entraînement évolutives sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique en utilisant Kubeflow Serving.

Format de la Formation

• Présentations guidées et discussions collaboratives.
• Laboratoires pratiques avec des composants Kubeflow réels.
• Exercices pratiques pour créer des flux de travail d'apprentissage automatique complets.

Options de Personnalisation de la Formation

• Des versions personnalisées de cette formation peuvent être organisées pour s'aligner avec la pile technologique et les exigences de projet de votre équipe.

TinyML est la pratique du déploiement de modèles d'apprentissage automatique optimisés sur des dispositifs embarqués à ressources limitées.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels techniques de niveau avancé souhaitant concevoir, optimiser et déployer des pipelines TinyML complets.

À la fin de cette formation, les participants apprendront comment :

• Collecter, préparer et gérer des ensembles de données pour des applications TinyML.
• Former et optimiser des modèles pour des microcontrôleurs à faible consommation d'énergie.
• Convertir les modèles en formats légers adaptés aux dispositifs embarqués.
• Déployer, tester et surveiller des applications TinyML dans des environnements matériels réels.

Format du cours permettant d'évaluer les participants

• Conférences dirigées par un instructeur et discussions techniques.
• Ateliers pratiques et expérimentation itérative.
• Déploiement pratique sur des plateformes basées sur des microcontrôleurs.

Options de personnalisation du cours

• Pour personnaliser la formation avec des chaînes d'outils spécifiques, des cartes matérielles ou des flux de travail internes, veuillez nous contacter pour organiser.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs intermédiaires, scientifiques des données et praticiens de l'IA qui souhaitent utiliser TensorFlow Lite pour les applications d'IA Edge.

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

• Comprendre les fondamentaux de TensorFlow Lite et son rôle dans l'IA Edge.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils Edge.
• Utiliser les outils et techniques pour la conversion et l'optimisation de modèles.
• Mettre en œuvre des applications d'IA Edge pratiques à l'aide de TensorFlow Lite.

Cette formation en direct, dirigée par un formateur, à Nantes (en ligne ou sur site) s'adresse aux professionnels de niveau avancé souhaitant maîtriser les technologies sous-jacentes des systèmes autonomes.

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

• Concevoir et mettre en œuvre des modèles IA pour la prise de décision autonome.
• Développer des algorithmes de contrôle pour la navigation autonome et l'évitement d'obstacles.
• Assurer la sécurité et la fiabilité des systèmes autonomes alimentés par IA.
• Intégrer les systèmes autonomes avec les cadres existants de robotique et d'IA.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

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

• Construire et entraîner des réseaux neuronaux convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour le développement de modèles cloud évolutifs et efficaces.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser le transfert d'apprentissage pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

TinyML est une approche consistant à déployer des modèles d'apprentissage automatique sur des appareils à faible puissance et à ressources limitées, fonctionnant au bord du réseau.

Cette formation en ligne ou sur site, dirigée par un formateur, s'adresse aux professionnels de niveau avancé qui souhaitent sécuriser les pipelines TinyML et mettre en œuvre des techniques de préservation de la confidentialité dans les applications d'IA au bord.

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

• Identifier les risques de sécurité propres à l'inférence TinyML sur appareil.
• Mettre en œuvre des mécanismes de préservation de la confidentialité pour les déploiements d'IA au bord.
• Durcir les modèles TinyML et les systèmes embarqués contre les menaces adversaires.
• Appliquer les meilleures pratiques pour la gestion sécurisée des données dans des environnements contraints.

Format de la formation

• Des présentations captivantes soutenues par des discussions dirigées par un expert.
• Des exercices pratiques mettant l'accent sur des scénarios de menace réels.
• Une mise en œuvre pratique utilisant les outils de sécurité embarquée et TinyML.

Options de personnalisation de la formation

• Les organisations peuvent demander une version sur mesure de cette formation pour s'aligner avec leurs besoins spécifiques en matière de sécurité et de conformité.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur connaissance des modèles d'apprentissage automatique, améliorer leurs compétences en optimisation des hyperparamètres et apprendre à déployer efficacement les modèles en utilisant Google Colab.

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

• Mettre en œuvre des modèles d'apprentissage automatique avancés en utilisant des frameworks populaires comme Scikit-learn et TensorFlow.
• Optimiser les performances des modèles grâce à l'optimisation des hyperparamètres.
• Déployer des modèles d'apprentissage automatique dans des applications du monde réel en utilisant Google Colab.
• Collaborer et gérer des projets d'apprentissage automatique à grande échelle dans Google Colab.

Cette formation en direct, dirigée par un formateur (en ligne ou sur site), s'adresse aux professionnels de niveau intermédiaire qui souhaitent appliquer les techniques d'intelligence artificielle pour optimiser la gestion des rendements dans la fabrication de semi-conducteurs.

À l'issue de cette formation, les participants seront capables de :

• Analyser les données de production pour identifier les facteurs affectant le taux de rendement.
• Mettre en œuvre des algorithmes d'intelligence artificielle pour améliorer les processus de gestion des rendements.
• Optimiser les paramètres de production pour réduire les défauts et améliorer les rendements.
• Intégrer la gestion des rendements pilotée par l'IA dans les processus de production existants.

Cette formation en direct, animée par un formateur dans Nantes (en ligne ou sur place), s'adresse aux professionnels intermédiaires du secteur des affaires et de l'intelligence artificielle qui souhaitent appliquer l'apprentissage automatique aux affaires, à la prévision et aux systèmes pilotés par l'IA en utilisant des études de cas réelles et des outils basés sur Python.

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

• Comprendre comment l'apprentissage automatique s'intègre dans l'IA et la stratégie d'affaires.
• Appliquer des techniques d'apprentissage supervisé et non supervisé à des problèmes d'affaires structurés.
• Prétraiter et transformer les données pour le modélisation.
• Utiliser des réseaux de neurones pour les tâches de classification et de prédiction.
• Effectuer la prévision des ventes en utilisant des méthodes statistiques et basées sur l'apprentissage automatique.
• Mettre en œuvre le regroupement et la fouille de règles d'association pour la segmentation clients et la découverte de motifs.

Cette formation en direct, animée par un formateur (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent appliquer des techniques de maintenance prédictive pilotées par l'IA dans la fabrication de semi-conducteurs afin d'améliorer l'efficacité de production et de réduire les pannes d'équipements inattendues.

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

• Mettre en œuvre des modèles IA pour prédire les pannes d'équipements dans la fabrication de semi-conducteurs.
• Analyser les données de maintenance pour identifier les motifs et tendances indiquant des problèmes potentiels.
• Intégrer la maintenance prédictive pilotée par l'IA dans les processus existants de fabrication.
• Réduire les temps d'arrêt et les coûts de maintenance grâce à une gestion proactive des équipements.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels avancés souhaitant appliquer des techniques d'intelligence artificielle de pointe à l'automatisation du design des semi-conducteurs, afin d'améliorer l'efficacité, la précision et l'innovation dans le design et la vérification des puces.

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

• Appliquer des techniques avancées d'intelligence artificielle pour optimiser les processus de design des semi-conducteurs.
• Intégrer des modèles d'apprentissage automatique dans les outils EDA pour une vérification de design améliorée.
• Développer des solutions pilotées par l'IA pour relever les défis complexes de fabrication des puces.
• Utiliser les réseaux neuronaux pour améliorer la précision et la vitesse de l'automatisation du design.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et développeurs intermédiaires qui souhaitent comprendre et appliquer les techniques d'apprentissage profond à l'aide de l'environnement Google Colab.

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

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond à l'aide de TensorFlow.
• Former et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire qui souhaitent comprendre et appliquer des techniques d'intelligence artificielle pour optimiser les processus de fabrication de semi-conducteurs.

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

• Comprendre les méthodologies d'IA pour l'optimisation des processus dans la fabrication des puces.
• Mettre en œuvre des modèles IA pour améliorer le rendement et réduire les défauts.
• Analyser les données de processus pour identifier les paramètres clés d'optimisation.
• Appliquer les techniques d'apprentissage automatique pour affiner les processus de fabrication des semi-conducteurs.

Cette formation dirigée par un instructeur, en ligne ou sur site à Nantes, est destinée aux participants de niveau intermédiaire qui souhaitent automatiser et gérer des workflows d'apprentissage automatique, y compris l'entraînement, la validation et le déploiement de modèles, en utilisant Apache Airflow.

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

• Configurer Apache Airflow pour l'orchestration des workflows d'apprentissage automatique.
• Automatiser les tâches de prétraitement des données, d'entraînement et de validation des modèles.
• Intégrer Airflow avec des frameworks et outils d'apprentissage automatique.
• Déployer des modèles d'apprentissage automatique en utilisant des pipelines automatisés.
• Surveiller et optimiser les workflows d'apprentissage automatique en production.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux data scientists et développeurs de niveau intermédiaire qui souhaitent appliquer efficacement des algorithmes de machine learning en utilisant l'environnement Google Colab.

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

• Configurer et naviguer dans Google Colab pour des projets de machine learning.
• Comprendre et appliquer divers algorithmes de machine learning.
• Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire des données.
• Implémenter des modèles d'apprentissage supervisé et non supervisé.
• Optimiser et évaluer efficacement les modèles de machine learning.

TinyML est la pratique de déploiement de modèles d'apprentissage automatique sur du matériel à ressources très limitées.

Cette formation dirigée par un formateur (en ligne ou sur site) est destinée aux praticiens de niveau avancé souhaitant optimiser les modèles TinyML pour des déploiements à faible latence et efficaces en mémoire sur des appareils embarqués.

À l'issue de cette formation, les participants seront capables de :

• Appliquer des techniques de quantification, d'élagage et de compression pour réduire la taille du modèle sans sacrifier la précision.
• Évaluer les modèles TinyML en termes de latence, de consommation mémoire et d'efficacité énergétique.
• Mettre en œuvre des pipelines d'inférence optimisés sur des microcontrôleurs et des appareils Edge.
• Évaluer les compromis entre performances, précision et contraintes matérielles.

Format de la formation

• Présentations dirigées par un formateur, soutenues par des démonstrations techniques.
• Exercices pratiques d'optimisation et de tests comparatifs de performance.
• Mise en œuvre pratique de pipelines TinyML dans un environnement de laboratoire contrôlé.

Options de personnalisation de la formation

• Pour une formation sur mesure alignée avec des plateformes matérielles spécifiques ou des processus internes, veuillez nous contacter pour personnaliser le programme.

Cette formation en direct avec instructeur en Nantes (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent explorer les techniques XAI de pointe pour les modèles d'apprentissage profond, en mettant l'accent sur la construction de systèmes d'IA interprétables.

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

• Comprendre les défis de l'explicabilité dans l'apprentissage profond.
• Mettre en œuvre des techniques XAI avancées pour les réseaux neuronaux.
• Interpréter les décisions prises par les modèles d'apprentissage profond.
• Évaluer les compromis entre performance et transparence.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels débutants qui souhaitent comprendre et appliquer les technologies d'IA dans l'industrie de la fabrication de semi-conducteurs.

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

• Comprendre les principes fondamentaux de l'IA et comment ils s'appliquent à la fabrication de semi-conducteurs.
• Identifier les domaines dans la fabrication de semi-conducteurs où l'IA peut être efficacement mise en œuvre.
• Utiliser des outils et techniques d'IA pour améliorer l'efficacité de production et le contrôle qualité.
• Mettre en place des modèles d'IA de base pour optimiser les processus de fabrication.

Docker est une plateforme de containerisation utilisée pour créer des environnements reproductibles, portables et évolutifs pour les systèmes d'apprentissage automatique (ML).

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels techniques de niveau intermédiaire à avancé qui souhaitent containeriser et opérationnaliser des pipelines ML complets en utilisant Docker.

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

• Containeriser les charges de travail d'entraînement, de validation et d'inférence ML.
• Concevoir et orchestrer des pipelines ML de bout en bout en utilisant Docker et des outils complémentaires.
• Mettre en œuvre le versionnement, la reproductibilité et l'intégration continue/déploiement continu (CI/CD) pour les composants ML.
• Déployer, surveiller et faire évoluer des services ML dans des environnements containerisés.

Format de la Formation

• Des conférences interactives accompagnées de démonstrations pratiques.
• Des exercices pratiques axés sur la construction de composants réels de pipelines ML.
• Une mise en œuvre en laboratoire live pour des workflows containerisés de bout en bout.

Options d'Adaptation du Cours

• Pour une formation personnalisée adaptée aux besoins spécifiques de l'infrastructure ML, veuillez nous contacter pour discuter des options.

Cette formation dirigée par un instructeur, en ligne ou sur site à Nantes, est destinée aux scientifiques des données et développeurs qui souhaitent utiliser les modèles d'apprentissage automatique ML.NET pour déduire automatiquement des projections à partir d'analyses de données exécutées pour des applications d'entreprise.

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

• Installer ML.NET et l'intégrer dans leur environnement de développement d'applications.
• Comprendre les principes de l'apprentissage automatique derrière les outils et algorithmes ML.NET.
• Construire et entraîner des modèles d'apprentissage automatique pour effectuer des prédictions intelligentes avec les données fournies.
• Évaluer la performance d'un modèle d'apprentissage automatique en utilisant les métriques ML.NET.
• Optimiser la précision des modèles d'apprentissage automatique existants basés sur le framework ML.NET.
• Appliquer les concepts d'apprentissage automatique de ML.NET à d'autres applications en science des données.

Cette formation dirigée par un instructeur, en ligne ou sur site à Nantes, est destinée aux professionnels des données de niveau intermédiaire qui souhaitent appliquer des techniques d'apprentissage automatique à des problèmes d'entreprise basés sur les données, notamment la prévision des ventes et le modèle prédictif à l'aide de réseaux neuronaux.

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

• Comprendre les concepts fondamentaux et les types d'apprentissage automatique.
• Appliquer des algorithmes clés pour la classification, la régression, le clustering et l'analyse d'association.
• Effectuer une analyse exploratoire des données et une préparation de données à l'aide de Python.
• Utiliser des réseaux neuronaux pour des tâches de modélisation non linéaire.
• Mettre en œuvre des analyses prédictives pour la prévision d'entreprise, y compris les données de vente.
• Évaluer et optimiser les performances du modèle à l'aide de techniques visuelles et statistiques.

Cette formation en direct avec instructeur en Nantes (en ligne ou sur site) s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et leurs compétences en apprentissage profond pour la génération de texte à image.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les architectures et les techniques avancées d'apprentissage profond pour la génération texte-image.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes.
• Ajuster les hyperparamètres pour une meilleure performance et généralisation du modèle.
• Intégrer Stable Diffusion avec d'autres cadres et outils d'apprentissage profond.

Cette formation en direct, dirigée par un formateur, à Nantes (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau intermédiaire et avancé qui souhaitent perfectionner leurs compétences dans la détection des menaces et la réponse aux incidents pilotées par l'intelligence artificielle.

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

• Mettre en œuvre des algorithmes avancés d'IA pour la détection en temps réel des menaces.
• Personnaliser les modèles IA pour répondre à des défis spécifiques de cybersécurité.
• Développer des flux de travail automatisés pour la réponse aux menaces.
• Protéger les outils de sécurité pilotés par l'IA contre les attaques adverses.

Cette formation en direct, dirigée par un formateur (en ligne ou sur site), s'adresse aux ingénieurs intermédiaires des systèmes embarqués et développeurs IA qui souhaitent déployer des modèles d'apprentissage automatique sur des microcontrôleurs en utilisant TensorFlow Lite et Edge Impulse.

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

• Comprendre les fondamentaux du TinyML et ses avantages pour les applications d'IA aux bords.
• Configurer un environnement de développement pour des projets TinyML.
• Former, optimiser et déployer des modèles IA sur des microcontrôleurs à faible consommation.
• Utiliser TensorFlow Lite et Edge Impulse pour mettre en œuvre des applications TinyML réelles.
• Optimiser les modèles IA pour l'efficacité énergétique et les contraintes de mémoire.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels débutants en cybersécurité qui souhaitent apprendre à utiliser l'IA pour améliorer la détection et la réponse aux menaces.

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

• Comprendre les applications de l'IA en cybersécurité.
• Mettre en œuvre des algorithmes d'IA pour la détection des menaces.
• Automatiser la réponse aux incidents avec des outils d'IA.
• Intégrer l'IA dans les infrastructures de cybersécurité existantes.

Cette formation en direct, animée par un instructeur en Nantes (en ligne ou en présentiel), s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser ses modèles comme guide dans leurs études expérimentales.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de base d'AlphaFold.
• Apprendre comment AlphaFold fonctionne.
• Apprendre à interpréter les prédictions et les résultats d'AlphaFold.

Cette formation en direct avec instructeur à Nantes (en ligne ou sur site) est destinée aux analystes de données de niveau intermédiaire qui souhaitent apprendre à utiliser RapidMiner pour estimer et projeter des valeurs et utiliser des outils analytiques pour les prévisions de séries temporelles.

A l'issue de cette formation, les participants seront capables de :

• Apprendre à appliquer la méthodologie CRISP-DM, sélectionner les algorithmes d'apprentissage automatique appropriés et améliorer la construction et la performance des modèles.
• Utiliser RapidMiner pour estimer et projeter des valeurs, et utiliser des outils analytiques pour la prévision de séries temporelles.

Cette formation animée en direct, disponible en ligne ou sur site, s'adresse aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur souhaitant exploiter Stable Diffusion pour générer des images de haute qualité dans divers cas d'usage.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
• Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
• Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

Ce formation en direct (en ligne ou sur site) est destinée aux ingénieurs et scientifiques des données de niveau débutant qui souhaitent comprendre les fondamentaux du TinyML, explorer ses applications et déployer des modèles d'IA sur des microcontrôleurs.

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

• Comprendre les fondamentaux du TinyML et son importance.
• Déployer des modèles d'IA légers sur des microcontrôleurs et des appareils de bord.
• Optimiser et affiner les modèles d'apprentissage automatique pour une consommation énergétique faible.
• Appliquer le TinyML à des applications réelles telles que la reconnaissance gestuelle, la détection d'anomalies et le traitement audio.

le but de ce cours est de fournir une compétence générale dans l’application des méthodes de machine learning dans la pratique. Grâce à l’utilisation du langage de programmation Python et de ses différentes bibliothèques, et basé sur une multitude d’exemples pratiques, ce cours enseigne comment utiliser les principaux éléments constitutifs de machine learning, comment faire des décisions de modélisation de données, interpréter les les sorties des algorithmes et valider les résultats.

notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte à outils machine learning en toute confiance et d’éviter les pièges communs des applications Data sciences.

L'IA appliquée de A à Z en Python fournit aux programmeurs et aux analystes de données des techniques fondamentales pour concevoir des solutions de machine learning à partir des bases en Python. Aborde les principes essentiels du learning supervisé (classification et régression), du learning non supervisé (clustering et détection d'anomalies), ainsi que des architectures de réseaux neuronaux avancées. Examine des méthodes éprouvées pour utiliser scikit-learn, Apache Spark MLlib et les notebooks Jupyter dans le cadre du développement pratique de l'IA. Aide les professionnels à implémenter des modèles de ML opérationnels, à évaluer les limites des algorithmes et à réaliser des projets appliqués pour résoudre des problèmes concrets.

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.

L'exploration des fondamentaux de l'intelligence artificielle révèle comment les technologies intelligentes transforment la stratégie numérique, l'automatisation et la prise de décision dans les opérations des entreprises. Elle examine les concepts clés couvrant l'histoire de l'IA, les cadres de résolution de problèmes, la représentation des connaissances, le raisonnement en contexte incertain et les paradigmes d'apprentissage automatique, ainsi que la communication, la perception et l'action autonome. Elle guide les dirigeants et les architectes pour qu'ils évaluent les opportunités de transformation propulsées par l'IA, identifient les tendances émergentes en matière de technologies et intègrent des solutions intelligentes pratiques afin d'accélérer l'agilité de l'entreprise.

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 programme de 8 jours propose un parcours complet, allant des solides fondations de l'ingénierie Python jusqu'à la conception avancée de systèmes d'intelligence artificielle. Les participants développent des pratiques de codage rigoureuses, maîtrisent les méthodes statistiques et d'apprentissage profond, et construisent des systèmes d'IA générative et basés sur des agents prêts pour la production. L'accent est mis sur la fiabilité, l'évaluation, la sécurité et le déploiement en environnement réel, plutôt que sur la simple expérimentation.

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.

Améliorez vos compétences en science des données grâce à ce cours complet d’apprentissage automatique, qui couvre les algorithmes fondamentaux tels que Naïve Bayes, les arbres de décision, les réseaux de neurones, les machines à vecteurs de support et les techniques de clustering. Acquérez une expérience pratique sur les bases théoriques et leur application concrète à l’aide d’exemples réels. Idéal pour les analystes de données, les ingénieurs logiciels, les passionnés d’intelligence artificielle et les professionnels du secteur cherchant à implémenter des solutions d’apprentissage automatique. Maîtrisez les indicateurs de performance de classification, la validation croisée, le compromis biais-variance et les fondamentaux de l’apprentissage profond afin de construire des modèles prédictifs robustes.

Cette formation dirigée par un instructeur (en ligne ou sur site) fournit une introduction au domaine de la reconnaissance de formes et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines de la statistique, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'exploration de données et de la bio-informatique.

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

• Appliquer des méthodes statistiques fondamentales à la reconnaissance de formes.
• Utiliser des modèles clés comme les réseaux de neurones et les méthodes à noyau pour l'analyse des données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données de fraude potentielle.

A l'issue de cette formation, les participants seront capables de :

• Créer un modèle de détection de fraude dans Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'IA de bout en bout pour l'analyse des données de fraude.

L'apprentissage automatique est une branche de l'Intelligence Artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés.

L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations et de structures de données, telles que les réseaux de neurones.

Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et la lisibilité de son code.

Dans cette formation dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour le secteur des télécommunications en utilisant Python tout au long de la création d'un modèle de risque de crédit basé sur l'apprentissage profond.

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

• Comprendre les concepts fondamentaux de l'apprentissage profond.
• Apprendre les applications et les utilisations de l'apprentissage profond dans le secteur des télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour le secteur des télécommunications.
• Construire leur propre modèle de prédiction de churn client basé sur l'apprentissage profond en utilisant Python.

Format du cours permettant d'évaluer les participants

• Conférence interactive et discussion.
• Nombreux exercices et pratiques.
• Mise en œuvre pratique dans un environnement de laboratoire live.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Cette formation pratique, animée par un formateur, s'inscrit comme une suite naturelle au cours Python pour l'analyse de données.

Elle présente aux participants les concepts fondamentaux du Machine Learning et montre comment ceux-ci peuvent être appliqués directement à des tâches d'analyse de données, telles que la prédiction, la classification et la segmentation.

L'accent est mis sur la compréhension du fonctionnement pratique du Machine Learning, en utilisant des outils familiers tels que Python, Pandas et Jupyter Notebook, sans nécessiter de solides connaissances mathématiques avancées.

Cette formation dirigée par un instructeur en Nantes (en ligne ou sur site) s'adresse aux ingénieurs souhaitant évaluer les approches et outils disponibles aujourd'hui pour prendre une décision éclairée quant à l'adoption de MLOps au sein de leur organisation.

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

• Installer et configurer divers frameworks et outils MLOps.
• Composer l'équipe appropriée avec les compétences nécessaires pour construire et soutenir un système MLOps.
• Préparer, valider et versionner des données pour leur utilisation par des modèles d'apprentissage automatique.
• Comprendre les composants d'un pipeline ML et les outils nécessaires pour le construire.
• Expérimenter avec différents frameworks et serveurs d'apprentissage automatique pour le déploiement en production.
• Industrialiser l'ensemble du processus d'apprentissage automatique afin qu'il soit reproductible et maintenable.

Cette formation en direct, animée par un formateur (en ligne ou sur site) s'adresse aux analystes de données intermédiaires, développeurs ou futurs scientifiques des données qui souhaitent appliquer les techniques d'apprentissage automatique dans Python pour extraire des insights, faire des prédictions et automatiser les décisions basées sur les données.

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

• Comprendre et différencier les principaux paradigmes d'apprentissage automatique.
• Explorer les techniques de prétraitement des données et les métriques d'évaluation des modèles.
• Appliquer des algorithmes d'apprentissage automatique pour résoudre des problèmes de données du monde réel.
• Utiliser les bibliothèques Python et les carnets Jupyter pour le développement pratique.
• Construire des modèles pour la prédiction, la classification, la recommandation et le regroupement.

Cette formation dirigée par un instructeur en <loc&gt ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent utiliser Tensorflow 2.x pour construire des prédicteurs, des classificateurs, des modèles génératifs, des réseaux neuronaux et ainsi de suite.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond dans le cloud, les appareils mobiles et IoT.

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