FL9BD03

Prix 2020 :

10 600 €

Comment financer sa formation ?

Durée :

25 jour(s)

Prochaine(s) session(s)

  • Du 01/10/2020 au 01/05/2021 à Paris - 10 600 €
Titre : 
Certificat d’Etudes Spécialisées «Intelligence Artificielle»
délivré par : 
Télécom Paris

Présentation

Nous assistons, ces dernières années, à une accélération considérable des progrès réalisés dans les domaines de la vision par ordinateur, de la reconnaissance vocale ou encore de la recherche automatique d’information. Une machine réalise automatiquement une tâche (la reconnaissance d’un objet spécifique apparaissant dans une image, par exemple) au moyen d’un programme «appris» en résolvant la version statistique d’un problème d’optimisation, à partir de données relatives à un grand nombre d’observations. La disponibilité d’exemples (que la machine peut elle-même solliciter dans certains cas pour mieux apprendre), stockés sous forme de bases de mégadonnées et offrant une description quasi exhaustive de la variabilité du phénomène à analyser, combinée à la puissance de calcul des clusters d’ordinateurs modernes, a permis de rendre véritablement effectives des méthodes d’apprentissage statistique.

Ces méthodes sont aujourd’hui à l’œuvre dans de nombreux «systèmes intelligents», pour des domaines aussi variés que la biométrie, le véhicule à délégation partielle, le diagnostic médical automatique, les moteurs de recommandation associés aux sites Web commerciaux ou les assistants virtuels. L'ère du big data et de l’intelligence artificielle généralisée a, donc, débuté grâce aux briques technologiques modernes qui nous permettent désormais de stocker et traiter de façon automatisée, dans des temps très courts, des données massives de natures et formats divers.

Cette formation présente les différentes composantes de l'intelligence artificielle : l’apprentissage statistique (machine learning, deep learning), le traitement de données (image, parole, etc.) massives et la robotique.

 

Objectifs

  • Employer les méthodes avancées d’apprentissage statistique pour résoudre des problématiques d’intelligence artificielle
  • Utiliser les réseaux de neurones et les architectures associées
  • Concevoir et analyser des expériences pour évaluer les systèmes HRI (Interaction Homme – Robot)
  • Mettre en œuvre des méthodes d’apprentissage profond en s’appuyant sur des bibliothèques logicielles.
  • Programme

    Apprentissage statistique avancé

    • Concepts et méthodes avancées pour l’Intelligence artificielle
    • Problématiques des données faiblement supervisées
      • Few-shot learning
      • Détection d’outliers
    • Apprentissage par renforcement
    • Apprentissage en ligne

    Apprentissage statistique à grande échelle

    • Objectifs et enjeux du passage à l’échelle en apprentissage statistique
    • Apprentissage statistique supervisé
    • Réduction de dimension
    • Sélection de features
    • Outils informatiques distribués

    Apprentissage profond

    • Algorithmes de gradient stochastique
    • Apprentissage profond et architectures associées
      • ConvNet
      • LSTM
      • Autoencodeurs
    • Applications en traitement du signal

    Logiques et intelligence artificielle symbolique

    • Rappel des bases en logique (syntaxe, sémantique)
    • Panorama des différents types de logiques (propositionnelle, premier ordre, modale)
    • Logiques de description et logique floue
    • Ontologies
    • Méthodes d'apprentissage symbolique
      • Analyse formelle de concept
      • Arbres de décision
    • Exemples de problèmes d'IA (révision, fusion, abduction, etc.)

    Traitement automatique des langues et apprentissage

    • Processus de langage naturel
      • Tokenisation
      • Marquage de partie de discours
      • Représentation de document
      • Word embeddings
    • Ressources linguistiques : lexiques, wordnet
    • Classement et catégorisation de texte
      • Réseaux de neurones
      • Modèles de Markov cachés

    Apprentissage pour l'image et la reconnaissance d'objets

    • Introduction à l'apprentissage non supervisé ("curse of dimensionality", ACP, ACI, NMF)
    • Introduction à l'apprentissage supervisé (overfitting, OLS, Ridge, LASSO, LDA, QDA)
    • SVM (Séparateur à vaste marge)
    • Arbres de décision et forêts aléatoires
    • Réseaux de neurones artificiels (ANN)
    • Réseaux de neurones convolutionnels (CNN)

    Apprentissage pour la robotique

    • Contexte de la robotique et interaction homme-robot (HRI)
    • Evaluation des systèmes HRI
    • Apprentissage automatique avec les humains dans la boucle
    • Dialogue verbal et non verbal incarné
    • Discussion d'articles séminaux et récents

    Perception pour les systèmes autonomes

    • Principales approches de la vision sur ordinateur utilisées en robotique
    • Formalisation mathématique

    Graph Learning et systèmes de recommandation

    • Les données Graph
    • Graph Learning
    • Techniques (PageRank, ALS, clustering hiérarchique, ...)
    • Applications
  • Modalités pédagogiques

    Cours et Travaux pratiques Mini-projets inter-sessions

  • Public cible et prérequis

    Cette formation s’adresse à des ingénieurs, chefs de projet ayant de bonnes connaissances en mathématiques (probabilités, optimisation, algèbre linéaire) et une expérience significative en programmation et souhaitant développer leurs compétences dans le domaine de l’intelligence artificielle. Des connaissances de bases en apprentissage statistique (Machine Learning) et une bonne expérience de la programmation sont indispensables pour suivre avec profit cette formation.

  • Responsables

    • Geoffroy PEETERS

      Professeur au sein du Département "Image, Données et Signal" de Télécom Paris. Ses recherches portent sur le traitement du signal et l'apprentissage machine appliqué à la modification et à la description des signaux audio (parole, musique, sons environnementaux). Il a précédemment travaillé en tant que directeur de recherche à l'IRCAM-CNRS-Sorbonne Université.

    • Antoine MANZANERA

      Professeur à l’ENSTA Paris, il s’intéresse aux problématiques liées au traitement d'images et à la vision de bas niveau, du modèle mathématique à l'implantation parallèle sur un système embarqué. En particulier, ses travaux s’appliquent à la représentation et traitement des images, à l’analyse du mouvement, et aux systèmes de vision embarquée.

  • Évaluation et certification

    Contrôle des acquis au travers de QCM, de travaux pratiques et d’un projet individuel permettant la rédaction d’un mémoire professionnel. Le Certificat d’Etudes Spécialisées «Intelligence Artificielle» de Télécom Paris et de l’ENSTA Paris est délivré après validation des contrôles de connaissances et du mémoire professionnel présenté oralement devant un jury.

Prochaine(s) session(s)

  • Du 01/10/2020 au 01/05/2021 à Paris - 10 600 €