IA : Langages et Outils : Java ou Python

Contenu pour les développeurs JAVA

Introduction :

• L’intelligence en générale
• L’intelligence artificielle (IA)
• Les domaines de l’IA

Les systèmes experts

• Un système expert en polygones – Exemple
• Contenu d’un système expert
• Les types d’inférences
• Etapes de construction d’un système
• Optimisation et performances
• L’ajout de la couche incertitudes
• Les domaines d’applications
• TP : Création d’un système expert ( en C# et prolog )

La logique floue

• Incertitude, imprécision et probabilité
• Ensembles flous et degrés d’appartenance
• Opérateurs sur les ensembles flous
• Création de règle
• Fuzzification et défuzzification
• Domaines d’applications
• TP :  Implémentation d’un moteur de logique floue

La recherche de chemins

• Chemins et graphes
• Algorithmes naïfs de recherche de chemins
• Algorithmes « intelligents »
• TP : Implémentations

Les algorithmes génétiques

• Évolution biologique
• Évolution artificielle
• Premières phases de l’algorithme et génération suivantes
• Coévolution
• TP : Implémentation
  • Résolution du problème du voyageur de commerce
  • Résolution d’un labyrinthe

Métaheuristiques d’optimisation

• Optimisation et minimums
• Algorithmes gloutons
• Descente de gradient
• Recherche tabou
• Recuit simulé
• Optimisation et Méta-optimisation
• TP : Implémentation
  • Résolution du problème du sac à dos

Les systèmes multi-agents

• Introduction et origine
• Systèmes multi-agents
• Classification des agents
• Principaux algorithmes
• TP : Implémentation
  • Banc de poissons
  • Tri Selectif
  • Jeu de la vie

Les réseaux de neurones

• Introduction et origine
• Machine Learning
• Neurone formel et perceptron
• Réseaux feed-forward
• Autres architectures
• TP : Implémentation
  • XOR, Abalone

Conclusion

Contenu pour les développeurs Python

Introduction à l’intelligence artificielle (Machine Learning et Deep Learning)

• Algorithmes d’apprentissage par familles :
• Apprentissage supervisé
• Apprentissage non supervisé
• Apprentissage par renforcement
• Fonctions des algorithmes (Classification, Régression, Clustering, …)
• Domaines d’application (Diagnostic médical, Recherche scientifique, Analyse d’images, Marketing ciblé, …)

Introduction au langage python​

• Structures de données et opérations courantes (conditionnelles, boucles, fonctions, …)
• Modules et packages
• Manipulations des fichiers csv, xlsx …
• Built-in fonctions
• Analyse des données avec les librairies Numpy & Pandas
• Visualisation graphique des données avec la librairie Matplotlib
• Manipulation des Bases de données SQL avec Python (SQLite, PostgreSQL)

Workshop 1 : Data Preprocessing (2h) :

• Manipuler des données avec la librairie Pandas : Nettoyage des données
• Exploration Interprétation graphique et Visualisation avec Seaborn

Workshop 2 : Supervised  Learning (2h) :

• House Price Prediction

Workshop 3 :  Unsupervised Learning (2h) :

• Customer segmentation avec PCA

Introduction to Deep Learning (1h)

• Avantages et cas d’utilisation
• Les environnements et leurs API Python (TensorFlow, Keras)

Pratique  Tensorflow 2.0 (3h) :

• CNN for Predicting the Bank Customer Satisfaction
• CNN for Credit Card Fraud Detection

Workshop 5 : Pytorch (2h) :

• Linear Regression with pytorch
• Logistic regression and image classification

Workshop 6 : Building API for Machine Learning Model with Flask (3h)

• Introduction to NLTK (1h)

Workshop 7 : NLTK (3h) :

• Spam message classification
• Restaurant review prediction

Gestion de projet de Machine Learning

• Bonnes pratiques
• Comment bien préparer les données avant la phase d’apprentissage
• Diagnostiquer et améliorer les performances d’un modèle (Overfitting, Features selection, Cross Validation, Matrice de confusion)

Exercices & Quiz