seperator
Collège de Bois-de-Boulogne - Formation continue
seperator
INFO49 - Deep Learning et intelligence artificielle 





Liste d'attente


INFO49 - Deep Learning et intelligence artificielle
(INFO49)


Durée: 30 heures

Attention : ce cours est financé par Emploi-Québec de l'Île-de-Montréal et est réservé en priorité aux personnes en emploi dans une entreprise privée ou aux travailleurs autonomes. Les personnes sans emploi sont aussi admissibles sous certaines conditions. Veuillez consulter les conditions d’admission.


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)

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



Retour