Retour à la catégorie

ARF-043
Automatique, robotique, informatique - 2022 Nouveauté

Data Science

BUT :

L'objectif de cette formation est d’initier les participants aux principes de base de la data science et de l’IA. Ils auront ainsi les clés pour comprendre cette technologie et identifier les projets “IA compatibles”.

DUREE ET EMPLOI DU TEMPS :

Cette formation est proposée sur une demi-journée (4h) et sera composée d'une partie théorique importante ainsi que de débats et d’exercices d’application.

ESPRIT GENERAL :

Cette formation sera constituée d’une partie théorique importante afin de permettre aux participants d’acquérir les connaissances nécessaires sur le sujet. Ce temps sera rythmé par des débats et des questions / réponses pour que les participants puissent prendre pleinement possession du sujet.

PREREQUIS :

Cette formation s’adresse aux débutants souhaitant acquérir des connaissances sur la data science et l’intelligence artificielle.

Niveau du stage : base

ANIMATEUR(S) :

ANIMATEUR TITULAIRE :
Maxime Carrere
Data Scientist Confirmé,

  • Dr en Intelligence Artificielle, Ingénieur en science informatique
  • 5 ans d’expérience
  • Près de 350 heures de formation délivrées
  • Formation en Anglais ou Français

CO-ANIMATEUR :
Pierre Leroy
Data Scientist Junior,

  • Mastère en Data Science
  • 2 ans d’expérience
  • Près de 50 heures de formation délivrées
  • Formation en Français

SOMMAIRE :

  • Data Science et histoire de l’Intelligence Artificielle
    • L’Intelligence artificielle est un terme presque aussi ancien que le début de l’informatique. Au travers de ce module, nous parcourrons l’histoire de cette discipline au travers des grandes avancées scientifiques. L’IA a connu une 3ème vague de popularisation grâce aux moteurs de calculs de plus en plus puissants, permettant d’exécuter des algorithmes théorisés depuis près d'un demi-siècle sous l'égide de de la Data Science. Nous nous appliquerons dans ce cours à comprendre les origines et évolutions des algorithmes et techniques de Data Science, ainsi que leurs champs d'applications les plus classiques.
  • Le Machine Learning
    • Le Machine Learning, ou apprentissage machine, a connu son essor à la faveur du contexte technologique présent au début des années 2010 : disponibilité des puissances de calcul, maturité des bases théoriques, disponibilité des données, formation massive de data scientists. Le Machine Learning est donc le moteur de la troisième vague de popularisation de l’IA mentionnée en première partie, et en constitue le sous-domaine le plus répandu et utilisé à ce jour.Durant ce module, nous nous appliquerons à comprendre le fonctionnement du Machine Learning, et notamment comment un algorithme “apprend” une tâche, de façon dite supervisée ou non.
  • Apprentissage supervisé
    • L’apprentissage supervisé est l’une des approches propres au domaine de l’apprentissage machine. Ces algorithmes apprennent à réaliser une tâche par observation des données passées. Nous aborderons par exemple la problématique de la classification supervisée, permettant à un algorithme à différencier un chien d’un chat par l’usage d’une base d’image labellisée, c’est à dire pour laquelle chaque image nécessaire à l’apprentissage est accompagnée d’un label : la description du contenu de l’image que le modèle devra par la suite “deviner” lors de l’inférence.Ce module permettra aux participants de découvrir certains des algorithmes les plus classiques de ce domaine, ainsi que leurs limites et comment contourner ces dernières.
  • Apprentissage non supervisé
    • La labellisation des données n'est parfois pas envisageable pour des raisons de coûts ou de faisabilité. L'apprentissage non supervisé constitue alors une solution privilégiée pour adresser ce contexte. Nous étudierons dans cette partie les principes de fonctionnement de l’apprentissage non supervisé ainsi que des applications concrètes. Nous identifierons ici les limites mais aussi les opportunités de ce mode d’apprentissage. Une ouverture sera proposée sur d’autres types d’apprentissage comme l’apprentissage semi-supervisé ou l’apprentissage par renforcement permettant également d’adresser le contexte de l’absence de données antérieures.
  • L’impact sur la mise en production
    • La mise en production d’un modèle de machine learning est différente d’une mise en production d’une application informatique classique. Les enjeux, les principes de fonctionnement et les coûts sont différents. En effet, il est important de surveiller le comportement du modèle au cours du temps afin de pouvoir détecter les dérives du modèle. Dans ce module nous vous fournirons toutes les clés pour en comprendre les enjeux.

DATE(S) :

à TOULOUSE : le 7 mars 2022

PRIX :

380 € HT (TVA 20 %)

voir conditions générales

Télécharger le pdf
Imprimer
Télécharger le bulletin d'inscription
Nous contacter

logo formation eurosae 300

EUROSAE vous accueille dans ses locaux dans des conditions sanitaires optimales.
Cependant, nous vous proposons également un large panel de formations à distance.