Formation Intelligence Artificielle, enjeux et outils

Qu'est-ce que l'Intelligence Artificielle (jusqu'aux réseaux de neurones) ?

• Le fantasme de l'Intelligence Artificielle et la réalité d'aujourd'hui.
• Tâche intellectuelle versus algorithmes.
• Types d'actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité.
• Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels.
• Algorithmes génétiques : faire évoluer une population d'agents virtuels par sélection.
• Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest).

Réseaux de neurones et Deep Learning

• Qu'est-ce qu'un réseau de neurones ?
• Qu'est-ce que l'apprentissage d'un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence.
• Approximer une fonction par un réseau de neurones : présentation et exemples.
• Approximer une distribution par un réseau de neurones : présentation et exemples.
• Génération de représentations internes au sein d'un réseau de neurones.
• Généralisation des résultats d'un réseau de neurones.
• Révolution du Deep Learning : généricité des outils et des problématiques.
• Démonstration Présentation d'un algorithme de classification et de ses limites.

Applications du Deep Learning

• Classification de données. Les différents scénarios : donnée brute, image, son, texte, etc.
• Les enjeux d'une classification de données et les choix impliqués par un modèle de classification.
• Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network. Machine Learning.
• Prédiction d'information et donnée séquentielle/temporelle. Enjeux et limites d'une prédiction d'information.
• Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction. Outils usuels de prédiction.
• Transformation/génération de données. Opération de réinterprétation d'une donnée : débruitage, segmentation d'image...
• Opération de transformation sur un même format : traduction de texte d'une langue à une autre...
• Opération de génération de donnée "originale" : Neural Style, génération d'images à partir de présentations textuelles.
• Reinforcement Learning : contrôle d'un environnement.
• Experience Replay et apprentissage de jeux vidéo par un réseau de neurones.
• Démonstration Classification d'images médicales. Prévision des images suivant une séquence vidéo. Contrôle de simulations numériques.

Quels problèmes peut-on adresser avec le Machine/Deep Learning ?

• Condition sur les données : volumétrie, dimensionnement, équilibre entre les classes, description.
• Donnée brute vs features travaillées : que choisir ?
• Machine Learning versus Deep Learning : les algorithmes plus anciens du Machine Learning ou les réseaux de neurones ?
• Qualifier le problème : Unsupervised Learning versus Supervised Learning.
• Qualifier la solution d'un problème : comprendre la distance entre une affirmation et le résultat d'un algorithme.
• Etude de cas Qualification d'une problématique pouvant être traitée avec l'IA.

Génération d'un Dataset

• Qu'est-ce qu'un Dataset ?
• Stocker/contrôler la donnée : surveiller les biais, nettoyer/convertir sans s'interdire des retours en arrière.
• Comprendre la donnée : représentation des outils statistiques permettant une vision d'une donnée, sa distribution...
• Formater une donnée : décider d'un format d'entrée et de sortie, faire le lien avec la qualification du problème.
• Préparer la donnée : définition des Train Set, Validation Set et Test Set.
• Mettre en place une structure permettant de garantir que les algorithmes utilisés sont réellement pertinents (ou non).
• Echanges Définition d'un Dataset et sa différence avec un BDD usuel.

Recherche de la solution optimale

• Méthodologie pour avancer dans la recherche d'une meilleure solution à un problème ML/DL.
• Choix d'une direction de recherche, localisation de publications ou de projets similaires existants.
• Itérations successives depuis les algorithmes les plus simples jusqu'aux architectures les plus complexes.
• Conservation d'un banc de comparaison transversal.
• Arriver à une solution optimale.
• Etude de cas Grouper et balancer un ensemble de solutions pour obtenir une solution optimale.

Les outils

• Quels outils existe-t-il aujourd'hui ?
• Quels outils pour la recherche et quels outils pour l'industrie ?
• De Keras/Lasagne à Caffe en passant par Torch, Theano, Tensorflow ou Apache Spark ou Hadoop.
• Industrialiser un réseau de neurones par un encadrement strict de son processus et un monitoring continu.
• Mise en place de réapprentissages successifs pour conserver un réseau à jour et optimal.
• Former des utilisateurs à la compréhension du réseau.
• Démonstration Mise en place de réapprentissages successifs.