Ce cours s’adresse aux passionnés de technologies de pointe. Le cours a pour but de donner aux étudiants la capacité de programmer des algorithmes d’apprentissage profond (« deep learning ») et de se familiariser avec les concepts logiques et mathématiques. Les librairies utilisées seront Keras et Scikit learn.  Il sera question de perceptron et de perceptron multicouche, d’algorithmes d’arbres de décision, de forêts aléatoires, de réseaux de neurones convolutionnels, récurrents, et à décharge. Il sera également question de parallélisation des calculs.  Le cours s’adresse à des programmeurs déjà familiarisés avec le langage Python et l’apprentissage machine. Le tout, dans un contexte applicable spécialement dans une entreprise et par un non-spécialiste de l’IA.

Cours 1: Notions de base

• Présentation de l’enseignant
• Survol du plan de cours
• Google drive et Colab
• Apprentissage machine
• IA Symbolique (Prezi)
• Questions et discussions
• Quiz
• Révision facultative : Python

Cours 2: Le prétraitement des données

• La librairie Pandas (Slide et Colab)
• Encodage et normalisation (Slide et Colab)
• Quiz

Cours 3: Les réseaux de neurones

• Les neurones biologiques
• Processus d’apprentissage profond
• Le perceptron
• Perceptron avec Scikit-learn (Colab)
• Fonctions d’activation (Colab)
• Descente de gradient (Stochastique, batch, mini-batch). (Colab)
• Simulateur de neurones
• Quiz
• Révision facultative : Python

Cours 4: Le perceptron multicouche (MLP) 

• Le perceptron (Colab)
• MLP (Slide et Colab)
• Simulateur de neurones
• Quiz

Cours 5: RNA avec Keras

• Keras
• ANN – Configuration avec Keras
• MLP avec Keras (Colab)
• Évaluation des features DecisionTree et RandomForest. (Scikit-Learn)
• Quiz

Cours 6: Logiciel « Orange »

• Machine learning et Orange
• Quiz

Cours 7: Élaboration d’un projet

• Aucune nouvelle matière.
• Démarrage du projet de session

Cours 8: Évaluation des performances

• Les pièges du machine learning
• Évaluation des performances
• Éval. Des performances : Cross-validation (Colab)
• Démo langage R et Science des données.
• Quiz

Cours 9: Les Réseaux de neurones convolutionnels (CNN)

• Les CNN.
• Les CNN (vidéos)
• CNN avec Keras
• Quiz

 Cours 10: Les réseaux de neurones récurrents (RNN) et auto-encodeurs

• Le principe de LTSM
• Démo d’un RNN avec Keras.
• Les auto-encodeurs
• Les auto-encodeurs (Colab)
• Quiz

Cours 11: Les réseaux de neurones à décharge

• Les réseaux de neurones à décharge (SNN)
• Les SNN (Colab)
• ROS-SNN et Spike
• Quiz

Cours 12: Réseaux Antagonistes Génératifs (GAN)

• Les Réseaux Antagonistes Génératifs (GAN)
• GAN (Colab)
• Quiz

Cours 13: Théories IA complémentaires

• Parallélisation des calculs
• Conférence « IA dans votre entreprise ».
• Présentation AI²
• Présentation de publications.
• Quiz

Cours 14: Travail sur les projets

• Aucune nouvelle matière
• Suite du projet personnel et questions

Cours 15: Présentations des projets

• Présentations des projets

Toutes personne ayant suivi le cours d’initiation au langage Python

.Présentations magistrales des sujets par l’enseignant. Aucune programmation n’est requise

Être minimalement de niveau avancé en programmation.  Python un atout, mais il y aura une mise à jour à la fin des 2 premiers cours.  Le cours « Python et IA » et « Apprentissage machine » sont une excellente préparation.