Passer au contenu
30 h

Gestion de données

Deep Learning et intelligence artificielle

Préalables

Connaissances de base en programmation et mathématiques de base. Avoir suivi un cours d’initiation à la science des données.

Objectif général

Acquérir les notions de base en intelligence artificielle et plus spécifiquement les approches d’apprentissage profond (Deep Learning) et les outils associés. À la fin de ce cours, les étudiants seront capables de mettre en place un système d’intelligence artificielle selon un besoin exprimé à l’aide de langages et d’outils appropriés.

Objectifs spécifiques

• Décrire et exécuter le processus d’intelligence artificielle en utilisant l’apprentissage profond
• Appliquer des techniques de classification et de prédiction à l’aide des réseaux profonds
• Présenter les récentes et nouvelles applications (traitement naturel du langage, vision par ordinateur, génomiques, médecine prédictive, lecture sur lèvres, raisonnement visuel)

Contenu du cours

 

Partie 1 : Intelligence artificielle
Cours 1 : Les Bases
– Différentes approches d’apprentissage automatique (supervisé, non supervisé, semi-supervisé, paramétrique, non paramétrique)
– Étapes suivies dans les systèmes d’apprentissage automatique
– Données, algorithme, matériel / plates-formes / logiciels spécialisés
– Techniques / algorithmes d’IA populaires
– Librairies Open Source populaires
– Applications IA
– Apprentissage profond : pourquoi devrions-nous nous en soucier ?
– Pratique : exemples de codes Applications IA

Partie 2 : Apprentissage profond
Cours 2 : Les Bases
– Distribution
– Modèle
– Régression linéaire
– Régression logistique
– Pratique : créer des modèles de LR
– Pratique : introduire Tensorflow I (tutoriel)

Cours 3 : Réseau profond (DNN)
– Réseau de neurones profonds (DNN)
– Perceptron multicouches (MLP)
– DNN avec entrées multiples / DNN avec sorties multiples / DNN avec les deux
– Fonctions d’activation (Relu, Sigmoïde, Soft Max, …)
– Modélisation des probabilités et des non-linéarités avec des fonctions d’activation
– Propagation vers l’avant (forwardpropagation)
– Pratique : introduire Tensorflow II et Keras (tutoriel)
– Pratique : construire votre premier réseau neuronal (réseau neuronal pour les fonctions et / ou / xor)

Cours 4 : Réseau profond (suite)
– Rétropropagation
– Algorithmes d’optimisation (descente du gradient, stochastique, mini lots)
– Surajustement et sous-ajustement
– Compromis – Biais et variance
– Pratique : créer des réseaux de neurones pour les LR et faire l’apprentissage

Cours 5 : Optimisation du DNN
– Transfert d’apprentissage
– Recherche de grille et recherche aléatoire
– Hyperparamètres
– Parallélisme et CPU vs GPU
– Régularisation
– Pratique : construire votre premier réseau neuronal optimisé

Partie 3 : Apprentissage profond avancé
Cours 6 : Réseau à Convolution (CNN)
– Présentation du CNN
– Pratique : construire un CNN pour la classification des images

Cours 7 : Réseau neuronal récurrent (RNN) et auto-encodeur (AE)
– Présentation du RNN et du LSTM
– Présentation des Auto-Encodeurs
– Pratique : construire votre premier réseau neuronal récurrent

Cours 8 : Apprentissage par renforcement (RL)
– Présentation du RL
– Pratique : Appliquer le RL sur un jeu choisi

Cours 9: Réseau Adversaire génératif (GAN)
– Présentation d’un GAN
– Pratique : construire votre premier GAN