IA, Data Science & Machine Learning – Introduction
Formation créée le 22/06/2021. Dernière mise à jour le 25/07/2022.
Version du programme : 1
Version du programme : 1
Type de formation
Formation à distanceDurée de formation
14 heures (2 jours)IA, Data Science & Machine Learning – Introduction
Objectif de formation : Comprendre les bases et usages de l'IA et du Machine Learning.
Objectifs de la formation
- Identifier l'ensemble des enjeux et facteurs à prendre en compte pour réussir l'intégration de l'Intelligence Artificielle et du traitement de données Big Data dans la vision large du SI
- Evaluer et sélectionner les outils appropriés dans le cadre d'un plan de mise en oeuvre d'Intelligence Artificielle
Profil des bénéficiaires
Pour qui
- Architectes fonctionnels
- Chefs de projets
- Directeurs de projets
- Consultants SI
Prérequis
- Avoir une connaissance basique des environnements SI
Contenu de la formation
Introduction
- Introduction au Big Data : de quoi s'agit-il ?
- Du Big Data au cycle de la donnée
- Définition de l'Intelligence Artificielle, de la Data Science/Analyse/Engineering, du Machine Learning et du Deep Learning
- Perspectives offertes par le Big Data et l'Intelligence Artificielle
- Les acteurs du Big Data et de l'Intelligence Artificielle
- Exemples pratiques : Démystification du Big Data et de l'Intelligence Artificielle Les technologies et outils concernées Les différents métiers
Enjeux et évolutions de l'analyse de données
- La qualité des données
- Open Data
- Le traitement des données
- La protection des données
- La visualisation de la donnée
Enjeux stratégiques et organisationnels
- Le challenge technique et matériel
- Investissement dans l'analyse
- Le Web sémantique
- L'enjeu économique
- L'impact organisationnel
- La conduite du changement
Les technologies et paradigmes utilisées dans des projets d'Intelligence Artificielle
- Objectifs du Machine Learning et de l'optimisation
- Apprentissage supervisé, semi-supervisé, non-supervisé
- Données structurées, non-structurées
- Introduction et comparaison des différents modèles de Machine Learning
- Fondements du Deep Learning
- Réduction de dimension
- Sélection de variables
- Métriques et évaluation d'un modèle
- Sur-apprentissage, généralisation et régularisation
- Paramètres et hyperparamètres
- Algorithme de descente de gradient
- Différentes tâches en traitement d'images, du son, du texte
Les frameworks de Machine Learning et Deep Learning
- Sklearn
- PyTorch
- Keras, Tensorflow
- Spark
Sécurité, éthique et enjeux juridiques
- Assurer la protection des données
- L'anonymisation d'un modèle de Machine Learning
- Hacking de Réseau de neurones
Équipe pédagogique
Professionnel expert dans le Big Data
Suivi de l'exécution et évaluation des résultats
- Émargement numérique
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
Ressources techniques et pédagogiques
- Espace intranet de formation
- Documents supports de formation projetés.
- Exposés théoriques
- Etude de cas concrets : exemple de cas pratique : classification d'image
- Quiz en salle
- Mise à disposition en ligne de documents supports à la suite de la formation.
Qualité et satisfaction
Taux de satisfaction des stagiaires, progression des compétences visées, taux d'abandon, taux de retour des enquêtes, taux d'interruption en cours de prestation