Objectifs de la formation

Cette formation vise avant tout à sensibiliser les participants à l’évolution du marché informatique, des métiers et des technologies induites par l’IA dans sa maturité actuelle et à venir. Il s’agira pour eux de disposer du vocabulaire, de comprendre les technologies et leurs enjeux afin d’être capables de mesurer les apports de l’IA que ce soit au niveau conceptuel ou technique et son impact sur les métiers. Cette formation aura également pour objectif de préparer au mieux les stagiaires à analyser les apports potentiels de l’IA dans leurs projets tout en disposant d’éléments concrets pour sa mise en œuvre et d’un vocabulaire commun.

À qui s’adresse cette formation ?

Public :

Cette formation Intelligence Artificielle s’adresse à tout acteur des SI d’entreprises : décideur, DSI, utilisateur métier, chef de projet, architecte, développeur…

Prérequis :

Culture générale de base en informatique (OS, développement, SGBD…).

 Contenu du cours

1. Les briques technologiques de l’Intelligence Artificielle (IA)

   Démonstrations d’utilisations de l’IA, classification des technologies
   Le machine-learning et les problématiques auxquels il répond
   Le deep-learning et l’apprentissage profond, ses applications
   Les frameworks de développement, panoramas et comparaison
   Le rôle stratégique des données, phases de traitement des données

   Applications génériques de l’IA

   Le domaine de l’audio : reconaissance, génération
   Traitement du langage naturel : classification, traduction, conversation
   L’image et la vidéo : segmentation, suivi, voiture autonome, robotique

   Les applications métier de l’intelligence artificielle

   Management : aide à la décision, détection de KPI
   Marketing et commercial : segmentation client, détection de churn
   Organisation de l’entreprise, productivité
   Services techniques : maintenance prédictive, surveillance d’infrastructure, chaîne de fabrication, optimisation, consommation

   IA et infrastructure informatique

   IA et Big Data : l’importance de la donnée
   Impacts sur l’infrastructure requise 
   Capter la donnée

   Les projets IA en entreprise

   Comment s’organise un projet lié à l’IA
   L’impotance de la gouvernance des données
   Les nouveaux rôles de la DSI, les nouvelles compétences

   Les acteurs de l’IA

   L’IA d’aujourd’hui, entre réalité et effet marketing
   Le positionnement des GAFAM, l’effet de l’IA sur leur marché
   Les solutions innovantes les plus marquantes
   Le positionnement de la France

   Impact sociétal

   La sécurité et les impacts sur la vie privée
   La vision européenne de la sécurité (RGPD)
   Responsabilité et éthique
   Impact sociétal et cohabitation avec l’IA

Objectifs de la formation

Cette formation Machine Learning vous place en capacité de maîtriser l’élaboration et l’étude des algorithmes permettant à des machines d’apprendre automatiquement à partir des données et à effectuer des tâches de façon autonome pour modéliser des tendances.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Comprendre les différences entre apprentissage automatique supervisé, non supervisé et méta-apprentissage
• Savoir transformer un gros volume de données à priori hétérogènes en informations utiles
• Maîtriser l’utilisation d’algorithmes d’auto-apprentissage adaptés à une solution d’analyse
• Comprendre comment exploiter de gros volumes de données textuelles
• Être capable d’appliquer ces différentes techniques aux projets Big Data

À qui s’adresse cette formation ?

 Public :

Ce cours Machine Learning s’adresse à toute personne ayant des bases en développement et souhaitant en acquérir en Data Science, notamment pour :

• Pouvoir travailler avec des Data Scientits et mieux comprendre leur métier, leurs problématiques et leurs besoins (développeur, architecte…)
• Pouvoir accompagner un projet Data Science avec une certaine compréhension technique
• Étendre sa boîte à outils (data miner, analyste, statisticien…)
• Envisager une reconversion professionnelle

Prérequis :

Pour suivre cette formation Machine Learning, il est nécessaire de connaître l’utilité du Data Mining et les problématiques du Big Data dans le ciblage économique.

 Contenu du cours

1. L’apprentissage machine (Introduction)

   Introduction
   Champs de compétences
   Focus Data Science (Data Mining)
   Focus Machine Learning
   Focus Big Data
   Focus Deep Learning
   Définition de l’apprentissage machine
   Exemples de tâches du machine Learning
   Que peuvent apprendre les machines
   Les différents modes d’entraînement

   Les fondamentaux de l’apprentissage machine

   PréambuleUn problème d’optimisation
   Quête de la capacité optimale du modèle
   Relation capacité et erreurs
   Un apport philosophique
   Cadre statistique
   Anatomie d’un modèle d’apprentissage machineJeux de données d’entraînementCadre statistique
   Les variables prédictives
   Chaîne de traitement des variables prédictives
   Les variables à prédireFonctions hypothèsesPrincipe : jeux de fonctions hypothèses
   Contexte de sélection des fonctions hypothèses
   Caractéristiques des fonctions hypothèses
   Modèles probabilistes Fréquentistes et BayésiensFonctions de coûtsLes estimateurs
   Principe du maximum de vraisemblance (MLE*)
   MAP (Maximum A Posteriori)
   Le biais d’un estimateur
   La variance d’un estimateur
   Le compromis biais – variance
   Les fonctions de coûts
   La régularisation des paramètresAlgorithmes d’optimisationsLes grandes classes d’algorithmes d’optimisation
   La descente de gradient (1er ordre)
   Descente de gradient (détails)
   Les approches de Newton (2nd ordre)
   Optimisation batch et stochastique
   Pour aller plus loinTravaux pratiquesMise en oeuvre de l’environnement de travail machine Learning

   La classification

   IntroductionChoisir un algorithme de classificationLa régression logistiqueDu Perceptron à la régression logistique
   Hypothèses du modèle
   Apprentissage des poids du modèle
   Exemple d’implémentation : scikit-learn
   Régression logistique
   Fiche SynthèseSVMClassification à marge maximum
   La notion de marge souple (soft margin)
   Les machines à noyau (kernel machines)
   L’astuce du noyau (kernel trick)
   Les fonctions noyaux
   SVM – Maths – SVM
   Fiche SynthèseArbres de décisionPrincipe de base
   Fonctionnement
   Maximisation du Gain Informationnel
   Mesure d’impureté d’un noeud
   Exemple d’implémentation : scikit-learn
   Arbres de décision
   Fiche SynthèseK plus proches voisins (kNN)L’apprentissage à base d’exemples
   Principe de fonctionnement
   Avantages et désavantages
   kNN – Fiche synthèseSynthèseTravaux pratiquesExpérimentation des algorithmes de classification sur cas concrets

   Les pratiques

   PrétraitementGestion des données manquantes
   Transformateurs et estimateurs
   Le traitement des données catégorielles
   Le partitionnement des jeux de données
   Mise à l’échelle des donnéesIngénierie des variables prédictives (Feature Engineering)Sélection des variables prédictives
   Sélection induite par régularisation L1
   Sélection séquentielle des variables
   Déterminer l’importance des variables
   Réduction dimensionnelle par Compression des données
   L’extraction de variables prédictives
   Analyse en composante principale (ACP)
   Analyse linéaire discriminante (ADL) – l’ACP à noyau (KPCA)Réglages des hyper-paramètres et évaluation des modèlesBonnes pratiques
   La notion de Pipeline
   La validation croisée (cross validation)
   Courbes d’apprentissage
   Courbes de validation
   La recherche par grille (grid search)
   Validation croisée imbriquée (grid searchcv)
   Métriques de performanceSynthèseTravaux pratiquesExpérimentation des pratiques du machine learning sur cas concrets

   L’apprentissage d’ensembles (ensemble learning)

   Introduction
   L’approche par vote
   Une variante : l’empilement (stacking)
   Le bagging
   Les forêts aléatoires
   Le boosting
   La variante Adaboost
   Gradient Boosting
   Fiches synthèsesTravaux pratiquesL’apprentissage d’ensemble sur un cas concret

   La régression

   Régression linéaire simple
   Régression linéaire multi-variée
   Relations entre les variables
   Valeurs aberrantes (RANSAC)
   Évaluation de la performance des modèles de régression
   La régularisation des modèles de régression linéaire
   Régression polynomiale
   La régression avec les forêts aléatoires
   SynthèseTravaux pratiquesLa régression sur un cas concret

   Le clustering

   Introduction
   Le regroupement d’objets par similarité avec les k-moyens (k-means)
   k-means : algorithme
   L’inertie d’un cluster
   Variante k-means ++
   Le clustering flou
   Trouver le nombre optimal de clusters avec la méthode Elbow
   Appréhender la qualité des clusters avec la méthode des silhouettes
   Le clustering hiérarchique
   Le clustering par mesure de densité DBSCAN
   Autres approches du Clustering
   SynthèseTravaux pratiquesLe clustering sur un cas concret

Objectifs de la formation

Cette formation Machine Learning avec Elastic Stack passe en revue les fonctionnalités de Machine Learning d’Elastic Stack et, au travers d’ateliers, elle démontre l’efficacité du machine learning appliqué à la surveillance d’infrastructures SI.  

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Installer Elastic Stack pour utiliser le machine learning
• Comprendre comment détecter des anomalies avec les fonctionnalités de Machine Learning d’Elastic Stack
• Appliquer la détection d’anomalie pour la surveillance et la sécurité des systèmes d’information
• Visualiser les résultats dans des tableaux de bord, des vues personnaliéses, utiliser les alertes.

À qui s’adresse cette formation ?

Public :

Cette formation Machine Learning Elastic Stack s’adresse à toute personne souhaitant appliquer le machine learning à des problématiques de gestion d’infrastructure et de sécurité.

Prérequis :

Une première expérience avec Elastic Stack est nécesaire pour cette formation sur la fonctionnalité Machine Learning.

 Contenu du cours

1. Gérer les erreurs

   Introduction à Elastic Machine Learning

   Big Data et Machine Learning
   Machine Learning appliqué à l’IT
   Historique de Elastic Machine Learning (Elastic ML)
   Concepts : Jobs, Noeuds ML, Bucket, Alimentation en données
   Index ELS utilisé, Détails d’un job, les différents types de jobs
   Installation

   Travaux Pratiques :

   Installation d’Elastic Stack et mise en place des fonctionnalités Machine Learning

   Détection de changement

   Définition du taux d’occurrence normal, Les différentes fonctions de comptage
   Définition de la rareté
   Catégorisation des évènements 

   Travaux Pratiques :

   Anomalie de décompte, détection de message rare dans des fichiers de logs

   Analyse de cause

   Importance et limitation des KPI
   Segmentation et enrichissement des données
   Scinder les analyses, détecter les influenceurs
   Corrélation visuelle, Utilisation de l’explorateur d’anomalie

   Travaux Pratiques :

   Identification d’un process fautif dans des données fournies par packetbeat

   Analyse de la sécurité

   Indicateur de compromission
   Volume et disparité des données, géométrie des attaques
   Enrichissement avec logstash
   Investigation et analyse 

   Travaux Pratiques :

   Détection d’une exfiltration DNS 

   Gestion des alertes

   Alertes automatiques, configuration
   Création d’alerte manuelle 

   Travaux Pratiques :

   Configuration des seuils d’une alerte 

   Kibana Dashboard et Canvas

   Options de visualisation dans Kibana, Timelion
   Données Machine Learning en TimeSeries, Timelion
   Correlation HeatMap
   Utilisation de Canvas et Slides

   Travaux Pratiques :

   Utilisation de Timelion, HeatMap, Canvas 

   Prévisions

   Prévision temporelle ou valeur, incertitude
   Forecast API
   Série temporelle unique
   Série temporelle multiple

   Travaux Pratiques :

   Mise en place d’alertes sur données prévisionnelles

Objectifs de la formation

Azure Machine Learning est un service de l’offre cloud Microsoft Azure pour la création et le déploiement de modèles d’apprentissage automatique ou Machine Learning à destination des équipes de science des données.

Il permet de créer, tester, gérer, déployer et surveiller ces modèles via une interface no code ou des scripts Python ou R.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Utiliser l’espace de travail Azure machine learning
• Connaître les étapes d’un projet de machine learning
• Découvrir les critères d’évaluation des algorithmes

Savoir déployer un web service prédictif

À qui s’adresse cette formation ?

Public :

Ce cours Azure Machine Learning s’adresse principalement aux data scientist, architectes applicatifs ou développeurs chargés de la préparation et du déploiement de modèles de machine learning.

Prérequis :

Pour suivre cette formation Azure Machine Learning, il est nécessaire d’avoir certaines connaissances de base en statistiques (centrage, dispersion, corrélation, tests d’hypothèses) et de disposer d’une compréhension globale de la data science.

 Contenu du cours

1. Découverte de Azure Machine Learning

   Présentation des caractéristiques du cloud
   Présentation de l’offre Azure
   Présentation des services IA de Azure
   Considérations de facturation
   Présentation de l’espace de travail Azure Machine Learning Studio
   Créer et utiliser un dataset
   Construire une expérience à l’aide d’un pipeline.
   Déployer un Web Service prédictif

   Travaux pratiques

   Déploiement de l’environnement
   Création d’une expérience de Machine Learning et déploiement d’un Web service

   Préparation des jeux de données

   Présentation des grandes étapes d’un projet de machine learning
   Détecter les valeurs aberrantes
   Choisir les variables de l’algorithme
   Déterminer la configuration des jeux de test

   Travaux pratiques

   Mise en place des modules de nettoyage des données

   Évaluation des grandes catégories d’algorithmes

   Présentation des catégories d’algorithmes
   Algorithmes de régression
   Algorithmes de clustering
   Algorithmes de classification
   Présentation des critères de performances selon les catégories
   Paramétrage des algorithmes
   Mise en place d’une machine learning automatisé

   Travaux pratiques

   Déployer et comparer plusieurs algorithmes de Machine learning

   Fonctionnalités avancées

   Implémentation des modules R et Python
   Optimisation automatique des algorithmes
   Étiquetage du texte et des images
   Traitement des images

   Travaux pratiques

   Implémenter un algorithme de détection de fraude et optimiser son efficacité
   Étiquetage et classification d’image

   Notebooks Jupyter

   Présentation des notebooks Jupyter
   Intégration dans Azure Machine Learning

   Travaux pratiques

   Utilisation des Notebooks avec Python
   Classification d’image à l’aide d’un notebook Jupyter

Objectifs de la formation

Cette formation Machine Learning et Data Science : déployer, monitorer et gérer des modèles en production a pour objectif de vous démontrer en quoi le déploiement de modèles en production constitue une étape cruciale, et par extension, en quoi sa négligence est à l’origine de l’échec de bon nombre de projets Big Data.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Définir les pré-requis, une mise en production ainsi que le monitoring des modèles pour un déploiement dès la phase de cadrage du projet data
• Choisir les outils et les technologies adaptés à votre environnement IT et aux contraintes du projet (compétences techniques, budget, maintenabilité) grâce à un aperçu des principaux outils
• Déployer des modèles de data science et de machine learning en production
• Mettre en place le monitoring des modèles
• Entraîner les modèles de façon continue (retrain, re-scores, re-validates)
• Mesurer le drift des modèles (automated model checking)
• Remplacer l’ancien modèle en production par le nouveau modèle amélioré
• Savoir mettre en place l’intégration continue

À qui s’adresse cette formation ?

Public :

Ce cours Déploiement Machine Learning & Data Science cible principalement les développeurs, les ingénieurs machine learning, les data scientists, les data ops et les data engineers.

Prérequis :

Pour suivre cette formation Déploiement Machine Learning & Data Science dans des conditions optimales, il est important d’avoir des notions sur le cloud, ainsi que des connaissances de base en Data Science / Machine Learning : statistiques, algorithmie. Il est également nécessaire d’avoir des connaissances basiques en Linux / réseau / Python / bash.

 Contenu du cours

1. Introduction et rappels

   Les objectifs du machine learning : résoudre un problème
   Rappels de l’écosystème Data Science : langages, outils et pratiques
   Les raisons des échecs des passages en production
   Les principales difficultés rencontrées pour la mise en production de modèles

   État de l’art de l’organisation des projets de Data Science

   Qui déploie les modèles et comment ?
   Les différents rôles : le data scientist, le data engineer, le data ops
   Les limites à cette organisation sur la réussite des projets data

   État de l’art des solutions logiciels de déploiement de modèles de Machine Learning

   État de l’art : des déploiements sans outillage
   Limites techniques et coûts élevés
   Maintenabilité complexe
   Un exemple avec Tensorflow, PyTorch, scikit-learn, Python, Java
   Un exemple dans le Cloud (AWS, GCP, Azure)

   Les bonnes pratiques liées aux métiers afin de réduire les risques d’échec

   Des critères d’acceptabilité (user acceptance) obligatoires par le métier : le premier pré-requis
   Des moyens de tester les algorithmes avec les métiers tous les deux jours
   Une communication permanente entre data scientist, data ops, IT, métiers…
   Identifier les données requises et leurs disponibilités

   Des solutions techniques pour faciliter et améliorer les déploiements

   De nouveaux outils et logiciels : TFX, Mlfow, Kubeflow, Cloudera Data Science Workbench, Dataiku
   De nouvelles compétences : l’ingénieur machine learning, le data ops
   L’importance du choix d’un framework sur la continuité, la maintenabilité et l’utilisation d’un modèle

   Travaux Pratiques

   Déploiement d’un modèle dans GCP

   Nouveaux métiers et profils : de nouvelles compétences

   L’ingénieur machine learning
   Le data ops

   Travaux Pratiques

   Jeu de rôle Agile : dans la peau du représentant métier

   Le choix des outils

   État de l’art des outils / frameworks utilisés par les grandes sociétés (CAC40, grandes startups, GAFAM)
   Comment choisir un framework de Machine Learning ou de Data Science
   Impacts sur les coûts des projets
   Estimer le coût des outils (in)existants sur le projet
   Estimer le coûtdes outils de collaboration, de déploiement, de monitoring, etc.sur les projets data

   Travaux Pratiques

   Simulations et retours d’expérience

   Les critères d’un bon modèle pour la production

   Portabilité du modèle
   Scalabilité
   Utilisabilité par les applications métiers
   Testabilité

   Les différents formats des modèles

   Pickle
   ONNX
   PMML
   POJO & MOJO

   Déployer en production

   Entraîner le modèle en production : batch training, real time training
   Batch vs real-time prediction : impacts sur les performances, les évaluations, les infrastructures et les coûts
   Monitorer et mesurer les écarts en production
   Entraîner de façon continue les modèles (retrain, re-score, re-validate)
   Mesurer le drift des modèles (automated model checking)
   Remplacer l’ancien modèle en production par le nouveau modèle amélioré

   Travaux Pratiques

   Réalisation d’un modèle de Machine learning
   Déploiement en production
   Monitoring

   Mesurer la réussite d’un déploiement en production

   Comment mesurer la réussite d’un déploiement ?
   La mesure de la réussite des déploiements en CI sur un projet data
   Les métriques

Objectifs de la formation

Cette formation Reconnaissance d’image Intelligence Artificielle examine aussi bien l’angle technique que l’angle économique et métier afin de vous préparer à prendre des décisions avisées sur vos projets de Computer Vision. De cette manière, elle vous permettra d’être proche des acteurs opérationnels (développeurs, data analyste, etc.) pour les mener en production.

À l’issue de cette formation Talend – Data Integration Avancé, vous aurez acquis les connaissances et compétences nécessaires pour :

• Comprendre les fondamentaux techniques de l’IA, ses concepts et son vocabulaire
• Comprendre les techniques et technologies de l’IA utilisées pour la reconnaissance d’image (OpenCV et DeepLearning)
• Savoir identifier les briques techniques existantes (algorithme, solution Cloud, etc.) et ce qu’il reste à produire dans un projet
• Identifier les compétences métiers nécessaires
• Savoir évaluer les coûts d’un projet Computer Vision et le ROI
• Valider les concepts, les technologies et la dimension projet à travers un cas concret

À qui s’adresse cette formation ?

Public :

Ce cours Computer Vision s’adresse aux DSI, Chief Digital Officer, Chief Data Officer, Chief Innovation Officer, Chief Information Officer, Directeurs de PME, Responsables de la qualité et Ingénieurs méthodes process.

Prérequis :

Aucun

 Contenu du cours

1. Introduction à la Computer Vision et technologies associées

   Les usages les plus fréquents
   Introduction aux technologies Machine Learning / Deep Learning
   Différents modes de représentation d’une image
   Problématiques spécifiques à la reconnaissance d’image
   Technologies IA utilisées pour la reconnaissance d’image : différence entre OpenCV et les techniques de Deep Learning

   Le marché de la Computer Vision

   La pluralité des offres sur le marché
   Les caractéristiques
   Alternative solution sur mesure propriétaire / licence à l’année pour l’utilisation d’une plateforme
   Conseils et retours d’expérience

   Structurer un projet de Computer Vision

   Quel modèle retenir pour mon projet ?
   Par où commencer ?
   Savoir évaluer la maturité de son projet pour en évaluer le coût
   Évaluer le retour sur investissement (ROI)

   Les étapes classiques d’un projet de Computer Vision

   Création du Dataset
   Proof of Concept : validation de la faisabilité technique et mise à disposition d’un algorithme entrainé sur un dataset réduit
   Pilote : entraînements et améliorations de l’algorithme dans les conditions réelles
   Scale / Industrialisation : déploiement à grande échelle de l’algorithme
   Le pilotage du projet (tableau de bord)
   Pièges classiques à éviter

Objectifs de la formation

L’objectif de cette formation Deep Learning, axée sur la pratique, est d’acquérir une compréhension détaillée des principales architectures de réseaux de neurones au travers de travaux pratiques réalisés sur l’un des frameworks de référence, TensorFlow.

À l’issue de cette formation Business Objects BI 4, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Maitriser les concepts fondamentaux du Deep learning
• Utiliser un framework de référence : TensorFlow
• Mettre en œuvre les principaux algorithmes
• Déployer vos solutions en production

À qui s’adresse cette formation ?

Public :

Cette formation Deep Learning cible principalement les Data Scientists, Machine Learning Engineers ou les développeurs ayant une appétence et une première expérience avec le Machine Learning.

Prérequis :

La programmation Python, et l’usage d’un IDE sont un plus pour suivre cette formation Deep Learning.

 Contenu du cours

1. Introduction au Deep Learning

   Relation entre Machine Learning et Deep Learning
   Champs d’application et cas d’utilisation
   Principes fondamentaux du Machine Learning
   Principaux outils et bibliothèques pour le Deep Learning : TensorFlow, Keras, Caffe, etc

   Travaux Pratiques  :

   Exercice pratique faisant intervenir tous les prérequis, introduction aux notebooks Jupyter

   Découverte de TensorFlow

   Installation de TensorFlow et son éco système, présentation des tensors (tableaux multidimensionnels), des variables et placeholders, présentation des graphes et sessions TensorFlow
   Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets…
   Opérations sur des ensembles de données telles que la régression et la classification. Visualiser des graphes et courbes d’apprentissage avec TensorBoard

   Travaux Pratiques :

   Création d’un premier modèle de régression en TensorFlow. Représentation avec TensorBoard pour analyse

   Les réseaux neuronaux artificiels ou ANN (Deep Learning)

   Présentation du fonctionnement du perceptron à une couche et du perceptron multicouche, configuration et paramétrage d’un réseau de neurones
   Approche logicielle du développement d’un réseau de neurones : activation, désactivation
   Conception d’un réseau de neurones en fonction du problème à résoudre

   Travaux Pratiques :

   Construction d’un ANN multicouche sur TensorFlow pour la classification de données

   Entraînement d’un réseau de neurones

   Présentation des méthode d’apprentissage : fonction de coût, descente de gradient et rétro-propagation
   Importance de la métrologie : choix des paramètres
   Présentation de techniques de Data Augmentation et de l’écueil du sur apprentissage par régularisation
   Réutilisation d’ANN, par transfer learning ou comment utiliser des couches pré entraînées

   Travaux Pratiques  :

   Construire des tests de réseaux de neurones

   Réseaux de neurones convolutifs ou CNN

   Présentation des principes de fonctionnement et définition de filtres convolutifs
   Développement d’une couche de convolution, d’une couche de pooling
   Approche logicielle du développement d’un réseau de neurones convolutifs

   Travaux Pratiques :

   Utilisation d’un réseau de neurones CNN pour la reconnaissance de l’écriture manuscrite

   Réseaux de neurones récurrents ou RNN

   Présentation des principes de fonctionnement et importance de la disparition du gradient
   Approche logicielle du développement d’un réseau de neurones récurrents
   Présentation d’une Cellule Long Short-Term Memory (LSTM) et de sa version simplifiée la cellule GRU
   Principes fondamentaux du NLP ou Natural Language Processing

   Travaux Pratiques  :

   Utilisation d’un réseau de neurones RNN pour le traitement automatique du langage naturel

   Machine de Boltzmann restreinte ou RBM

   Présentation de la machine de Boltzmann restreinte
   Principes fondamentaux du Deep Belief Networks,
   Métrologie et réduction des dimensions grâce aux autoencodeurs
   Présentation de l’API autoencoder

   Travaux Pratiques :

   Construire un auto-encoder pour la réduction de dimension d’un réseau de neurones

   Apprentissage par renforcement (Deep Learning)

   Principe de notation et d’optimisation par objectif
   Présentation de la toolkit Gym pour la programmation par renforcement
   Principe de la prise de décision par critère de Markov
   Principes fondamentaux de l’apprentissage par différence (temporelle, etc)

   Travaux Pratiques  :

   Contrôle d’un agent évoluant dans un contexte inconnu, évaluation de réponse

   Performance et mise en prodution

   Exécution sur CPUs, GPUs, TPUs ou cluster
   Mise en production avec TensorServing

   Travaux Pratiques :

   Déploiement sur TensorServing

Objectifs de la formation

Cette formation TensorFlow vous apprend à installer, paramétrer et optimiser TensorFlow pour l’analyse d’images.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Mettre en œuvre TensorFlow pour de l’apprentissage machine

Connaître les APIs disponibles pour réaliser des modèles fiables et efficaces

À qui s’adresse cette formation ?

Public :

Ce cours TensorFlow s’adresse aux data-scientists et aux chefs de projet souhaitant comprendre le fonctionnement de TensorFlow.

Prérequis :

Pour suivre cette formation TensorFlow, il est nécessaire de connaître un langage de programmation (idéalement, Python) ainsi que les principes de base de la manipulation de données et du machine learning.

 Contenu du cours

1. Présentation de TensorFlow

   Historique du projet TensorFlow
   Fonctionnalités
   Architecture distribuée, plate-formes supportées

   Premiers pas avec TensorFlow Core

   Installation de TensorFlow
   Principe des tenseurs, caractéristiques d’un tenseur : type de données, dimensions
   Définition de tenseurs simples
   Gestion de variables pour la persistance
   Représentation des calculs et des dépendances entre opérations par des graphes

   API Estimator

   Étude d’un modèle complet avec mise en place de l’apprentissage
   Évaluation de la qualité du modèle
   Apprentissage, analyse de données et fourniture de prédictions
   Tests avec Premade Estimators

   Optimisation

   Calculs distribués : différents types de stratégies (synchrone ou asynchrone), avec stockage centralisé des données ou dupliqué sur différents cpu
   Distribution sur des GPUs
   Utilisation de TPUs

   Classification d’images

   Notion de classification, cas d’usage
   Présentation des outils : TensorFlow Hub, librairie de composants pour la construction de modèles d’apprentissage
   Travaux pratiques avec les exemples fournis par TensorFlow

   Extensions

   TensorFlow.js : librairies javascript pour l’exécution de TensorFlow dans un navigateur ou avec node.js
   TensorFlow Lite : pour le déploiement de modèles sur des android ou autre objets connectés
   TensorFlow Extended : pour le déploiement de modèles dans un environnement de production

Objectifs de la formation

Au cours de cette formation Chatbot : Créer son agent conversationnel, nous vous proposons de découvrir les méthodes de création d’un dialogueur (CUX, VUI, entraînement), les solutions des acteurs du marché ainsi que les technologies sous-jacentes (NLU, NLP, API).

A l’issue de cette formation WebIntelligence XI, vous aurez acquis les connaissances et compétences nécessaires pour :

• Démystifier les chatbots : enjeux et limitations
• Identifier les cas d’usage dans votre métier
• Découvrir la méthode de création et les technologies derrière les chatbots
• Maîtriser le cycle de développement d’un chatbot

À qui s’adresse cette formation ?

Public :

Ce cours Chatbot s’adresse à des profils différents dans l’entreprise : responsable innovation, développeur, équipe marketing, équipe communication interne et externe, fonctions métier (ressources humaines, service client, support informatique, etc.).

Prérequis :

Aucun prérequis n’est nécessaire.

 Contenu du cours

1. Introduction aux chatbots

   Présentation croisée et attentes des participants
   Présentation des thèmes abordés au cours de la formation

   Présentation des chatbots

   Pourquoi les chatbots rencontrent-ils un tel succès ?
   L’évolution des interfaces
   Historique des chatbots

   Les chatbots

   Où trouve-t-on des chatbots ?Les interfaces conversationnelles : un nouveau paradigme
   Chatbot textuel vs Chatbot vocal
   Les usages les plus courants
   Les bénéfices 

   Architecture d’un chatbot

   Les différentes briques techniques
   Intégrer un chatbot dans un système d’information

   Les moteurs de langage naturel

   Définition et vocabulaire spécifique
   Les acteurs du marché
   Le machine learning
   Les limites d’un agent conversationnel

   Cas Pratique : Entrainer un moteur de langage naturel

   Création d’une instance, intentions, entités
   Entrainement manuel et ajustement
   Supervision et correction

   Adopter les bonnes pratiques de conversation

   Définir la présentation du chatbot
   Gérer les impasses
   Personnaliser les réponses

   Cas Pratique : Créer un chatbot

   Créer un scénario conversationnel
   Gérer le flow conversationnel
   Gérer la mémoire
   Les différents formats de réponses possibles
   La communication avec une API serveur

   Cas Pratique : Déployer son chatbot

   Choisir la ou les plateformes de déploiement
   Faire connaître son chatbot

   Faire évoluer son chatbot

   Ajouter des fonctionnalités à un chatbot existant

   Analytics

   Pourquoi recourir à l’analytics ?
   Quelques outils d’analyse

   L’avenir des chatbots

   La voix partout
   La personnalisation

   Séance questions / réponses

   Clôture de la session

   Partage sur le statut d’apprentissage des participants, collecte des questions
   Évaluation de la formation et formalités diverses

Objectifs de la formation

Cette formation Machine Learning avec Python vous propose de découvrir les concepts et les technologies du Machine Learning à travers le langage Python et sa bibliothèque Scikit-Learn qui propose tous les algorithmes standards. Vous apprendrez à développer de puissants modèles prédictifs dont les résultats vous surprendront par leur puissance et leur facilité de mise en œuvre.

A l’issue de cette formation WebIntelligence XI, vous aurez acquis les connaissances et compétences nécessaires pour :

• Décrire les concepts du machine learning
• Connaître les principaux algorithmes utilisés en machine learning
• Utiliser la bibliothèque Scikit-Learn
• Mettre en œuvre le regroupement de données automatique (clustering)
• Utiliser Azure Machine Learning

À qui s’adresse cette formation ?

Public :

Ce cours Machine Learning avec Python s’adresse à toute personne amenée à utiliser Python pour développer des modèles de prédiction dans n’importe quel domaine : scientifique, médical, bancaire, sécurité, data…

Prérequis :

Cette formation Machine Learning avec Python suppose de savoir développer et de connaître les bases de Python. 

 Contenu du cours

1. Fondamentaux du Machine Learning

   Les promesses du machine learning
   Les technologies sous-jacentes
   Liens entre Cloud, Big Data et Machine Learning
   Présentation du Deep Learning

   Travaux pratiques

   Parcours de différents résultats de programmes de machine learning afin de valider le vocabulaire et les concepts présentés dans ce chapitre (prévisions de tarifs, classification d’images, reconnaissance de textes, etc.)

   Les algorithmes standards

   Différences entre apprentissage supervisé et non supervisé
   La régression linéaire
   La régression logistique
   L’arbre de décision
   Les machines à vecteur de support (SVM)
   La classification selon Naive Bayes
   Les plus proches voisins
   Pourquoi faut-il parfois réduire les dimensions ?
   Les réseaux de neurones

   La bibliothèque Python (Scikit-Learn)

   Comment utiliser la documentation ?
   Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.)
   Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
   Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator)
   Comment choisir le bon algorithme d’apprentissage automatique ?

   Travaux pratiques

   Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)

   Apprentissage non supervisé (clustering) en Python

   Explorer les données et les regrouper (clustering)
   Visualisation avec clustering hiérarchique et t-SNE
   Décorrélation des données et réduction des dimensions
   Découvrir des fonctionnalités interprétables
   Extraire des connaissances des textes (Text Mining)

   Travaux pratiques

   Extraction de sujets et de tendances à partir de gros volume de flux de données (exemple Twitter)
   Analyse de sentiments et démotions
   Classification automatique de textes dans une ou plusieurs catégories (Word2Vec, Doc2Vec, TF-DF)
   Retour sur l’atelier de la reconnaissance supervisée des fleurs pour le passer en mode non supervisé : réduction des dimensions, regroupement des données selon différents algorithmes (clustering) jusqu’à la mise en évidence de l’identification des groupes de familles de fleurs

   Azure Machine Learning

   Construire des modèles sans coder avec les outils du Cloud
   Les services proposés par Visual Studio, Azure et GitHub
   Valider les performances des modèles
   Déployer son modèle
   La préparation des données

   Travaux pratiques

   Construction d’un modèle de prédiction sous Visual Studio