Contexte

L’Intelligence Artificielle est un ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de reproduire les performances humaines par rapport à une tâche spécifique sans forcément utiliser la même logique. Elle correspond donc, plus à un concept qu'à une discipline autonome constituée.

Grâce à l’Intelligence Artificielle les entreprises peuvent espérer améliorer leur productivité, gagner du temps avec l’automatisation des tâches, ou encore améliorer leur expérience client avec les assistants virtuels, au travers d’outils et applications comme, la génération de texte automatique, la reconnaissance vocale, les agents virtuels, mais aussi l’informatique décisionnelle, grâce au traitement et interprétation des données, ...
Nous assistons à une évolution technologique qui permet à différents acteurs de plusieurs domaines d’acquérir une approche plus intelligente et méthodique dans la résolution de problèmes.

Vous aurez acquis les fondamentaux nécessaires pour une meilleure approche de l’Intelligence Artificielle et les perspectives de business et de productivité qu’elle peut apporter à votre entreprise.

ObjectifS

A l'issue de cette formation, le participant sera en capacité de :
- MAITRISER les enjeux de l’Intelligence Artificielle.
- IDENTIFIER les opportunités à partir de cas d’usage métiers.
- APPLIQUER le vocabulaire lié à cette discipline aux multiples facettes pour pouvoir dialoguer avec les équipes techniques.
- MAITRISER les technologies.

PROGRAMME

L’objectif de cette formation est d’introduire les concepts suivants :

• Introduction et fondamentaux en apprentissage automatique
  - Enjeux et problématiques pour le machine learning.
  - Introduction aux concepts de base et techniques pertinentes : apprentissage supervisé et non supervisé.
  - Classification versus prédiction.
  - Classification : classification hiérarchique non supervisée, modèles graphiques probabilistes, classification à partir des méthodes des plus proches voisins, des modèles graphiques probabilistes et de l'analyse discriminante, méthodes à base de machine à vecteurs de support et méthodes à noyaux.
  - Prédiction : méthode des plus proches voisins, régression linéaire/non-linéaire, régression robuste.
• Apprentissage non-supervisé et cas d'usage
  - Clustering.
  - Visualisation et réduction de dimension.
  - Aide à la décision.
  - Application à des cas d’usage.
• Algorithmes et réseaux neuronaux
  - Enjeux de l’IA et de l’apprentissage profond.
  - Sensibilisation aux enjeux de l’apprentissage de représentation via un réseau de neurones.
  - Introduction des concepts de base de l’apprentissage profond (le perceptron, le perceptron multicouche) sur lesquels sont basés les réseaux neuronaux et leurs architectures.
  - Présentation du fonctionnement des approches populaires de Deep Learning.
  - Découverte des avantages et des limites des réseaux neuronaux.
  - Dans une optique d’approfondissement, nous introduirons les réseaux de neurones convolutionnels (CNN) et les briques de bases de leurs architectures adaptées aux données images.
  - Des références de livres seront données pour permettre l’approfondissement vers les différents types de réseaux de neurones plus avancés et dérivant des bases et fondamentaux présentés.
  - Des références vers des livres et liens notebook seront données pour pratiquer de façon guidée et s’approprier les librairies Python associées aux approches présentées et à d’autres méthodes de réseaux de neurones plus avancées.

Pré-requis

- Notions de base en informatique.
- Notions de base en statistiques et probabilité.
- Notions de base en logique.
- Connaissance d'un langage de programmation.

- Procédure d’admission à cette formation :
Entretien téléphonique avec le/la chargé/e d’affaires pour comprendre vos attentes et votre projet professionnel en lien avec la formation visée.
Envoi de votre CV et/ou lettre de motivation au/à la chargé/e d’affaires puis transmission au responsable pédagogique du parcours qui étudie votre candidature et valide ou non les prérequis nécessaires à la formation. Retour sous 5 jours ouvrés.
Si votre candidature est validée, vous pouvez procéder à votre inscription via le CPF (si la formation y est éligible), ou via le bulletin d’inscription transmis par le/la chargé/e d’affaires.

public concerné

- Ingénieurs.
- Consultants en IT.
- Mathématiciens qui veulent se convertir à l’IA.
- Data scientists.
- Dirigeants d’entreprise.
- Responsables projets IT ou Big Data.

en pratique

Méthodes pédagogiques

Formation en salle.
Travail en groupe.
Étude de cas pratiques.

Moyens pédagogiques

Se prémunir d'un ordinateur portable avec des droits d'administration.

Modalités d'évaluation

L'évaluation des connaissances acquises en formation s'appuie sur la réalisation de mise en situation et des études de cas mises en oeuvre par le formateur.

Les + de la formation

Des intervenants de hauts niveaux et reconnus de leurs pairs.
Acculturation à l'Intelligence Artificielle.

Statistiques

86/100
Taux de satisfaction globale pour 406 sessions
(sur un pannel de 2450 répondants sur les 4152 participants en 2024)

89/100
Satisfaction globale relative aux formateurs pour 406 formations
(sur un panel de 2450 répondants sur les 4152 participants en 2024)