IA par l'exemple
Réf. 186022
Ce MOOC est un cours de vulgarisation à l'intelligence artificielle par l’exemple, en utilisant des cas d'usage variés et des exemples pour chacun des sujets abordés.
- Durée : 6 semaines
- Effort : 40 heures
- Rythme: Auto-rythmé
- Langues: Français
Ce que vous allez apprendre
À la fin de ce cours, vous saurez :
Connaître les principales facettes de l’intelligence artificielle et comprendre les concepts nouveaux associés à l’économie des données : big data, IOT, machine learning, deep learning, blockchain, chatbot, les langages massifs (comme GPT) et les autres technologies disruptives encours et à venir (LIFI, NFC, ordinateur quantique).
Maîtriser l’utilisation du logiciel Tensorflow de deep learning en étant ouvert à tout un éventail d’applications sectorielles (santé, agriculture, marketing,..).
Être sensibilisé à l’approche pluridisciplinaire qui sous-tend l’innovation des services d’intelligence artificielle et notamment au droit des données (comme RGPD).
Description
Ce MOOC est un cours de vulgarisation à l'intelligence artificielle par l’exemple, c'est-à- dire, en passant par des exemples pour chacun des sujets abordés. Tous les concepts fondamentaux de l'intelligence artificielle (machine learning, deep learning) et du Big Data (SQL, NOSQL) y sont introduits en s'appuyant sur des exemples pratiques que l'étudiant aura loisir d'adopter et d'adapter. Chaque module du cours comprend à minima un cas d'usage (aussi appelé use case) que l'apprenant.e va pouvoir refaire.
Format
Ce MOOC est composé de 6 modules. Chaque module demande un temps d'investissement d'environ 5 heures.
Les 5 premiers modules sont de l'apprentissage pratique pur avec des tutoriels et des cas d'usage. Le dernier module est un cours pluridisciplinaire théorique vous permettant d'en apprendre plus sur les autres domaines (droit, marketing, agriculture, santé ...) où l'intelligence artificielle est utilisée.
A titre indicatif, nous vous recommandons de suivre un module par semaine pour une durée de 6 semaines.
Les contenus resteront accessibles pendant toute la durée de vie du MOOC.
Prérequis
Ce cours s’adresse à des étudiants de niveau bac et requiert d'avoir des connaissances en Internet de base et/ou en mathématiques (théorie des ensembles, statistiques et algèbre linéaire). Pour les étudiants de niveau avancé (L3 ou Master 1 et 2), il s’agit d’une mise à niveau des compétences de base en intelligence artificielle appliquée.
Evaluation et Certification
Ce MOOC ne contient pas d'évaluation.
Toutefois, en complétant l'intégralité du cours, vous pourrez obtenir un badge de suivi.
Plan de cours
- Introduction
- Histoire de l'IA
- Exemple
- Datum/Data & CAPTA (Information)
- Information & connaissance
- Définition Big Data : Les 3V de base
- Jumeau numérique, immortalité numérique & 4ème paradigme de Jim Gray
- Datawarehouse & Datalake
- Définition Intelligence Artificielle & Deep Learning - Machine Learning
- Langage R & CPU/GPU
- Types d'IA & neurones
- Conclusion
- Introduction au logiciel R
- Types d'opérations & données
- La vectorisation des données
- Structure des données
- Manipulation de données hétérogènes
- Extensions de R base et librairies
- Interface de développement intégré
- Méthodes d'extraction de modèles de connaissances
- L'apprentissage supervisé
- Approches algorithmiques d'apprentissage surpervisé
- Exemple d'application d'apprentissage supervisé
- Processus d'apprentissage d'un modèle de prédiction
- Les phases de l'apprentissage supervisé
- Mise en œuvre d'un modèle de prédiction
- Premières manipulations avec R
- Manipulation de vecteurs de données
- Manipulation de matrices de données hétérogènes
- Découverte de l’interface de développement intégré R Studio
- Extension de R Base par les librairies
- Exemple d’application de récupération de données Internet, manipulations et visualisations en R
- Chargement des données Data Achat
- Apprentissage d'un arbre de décision pour la prédiction de classes
- Représentations graphiques d'arbres de décision
- Évaluation des performances d'un arbre de décision
- Mise en œuvre d'un arbre de décision pour la prédiction de nouvelles données
- Fonctionnement des réseaux de neurones
- Structure des perceptrons
- Structure des neurones
- Perceptrons mono-couche & multi-couches
- Processus d'apprentissage d'un réseau de neurones
- Réseaux de neurones intégralement connectés
- Réseaux de neurones profonds & réseaux convolutifs
- USE CASE 1 : Deep Dream avec TensorFlow
- USE CASE 2 : Deep Bridge et Identification de Profils à Risque
- USE CASE 1 : IA et Médecine (Tumeurs du cerveau) avec TensorFlow
- USE CASE 2 : Agriculture Numérique (Analyse des maladies des cabosses de cacao) avec TensorFlow
- L'extraction de connaissances à partir des données
- Matrices de données en entrée
- Types de motifs & modèles de connaissances
- Exemples d'apprentissages supervisés
- Analyse de liens
- Analyse de similarité
- Clustering par algorithme des K-means
- Chargement des données Data Groceries
- Exploration des données par items (valeurs des variables)
- Extraction d'itemsets fréquents
- Extraction de règles d'association
- Ciblage d'items
- Représentations graphiques des règles
- Chargement des données Data Iris
- Visualisations bidimensionnelles des données
- Clustering des données par algorithme des K-means
- Paramétrage de l'algorithme des K-means
- Évaluation externe des clusters selon les espèces d'iris
- USE CASE 2 : Deep Learning avec TensorFlow (Analyse de Tweets liés au COVID aux USA)
- Introduction
- Définition chatbot
- Architecture et rôle
- Prise en main et modèle GPT3
- ChatGPT/Tensorflow avec GPT3
- ChatGPT/Autres IA génératives
- Conclusion
- Modèle de langage massif OpenAI-GPT3
- Introduction
- Contexte
- RGPD
- RGPD et données personnelles
- CNIL et sanctions
- Conclusion
- Introduction
- Standard NFC et LIFI
- Blockchain
- Disruption quantique et ordinateur
- Futur de l'économie de la data et homo mobiquitus
- Conclusion et innovation spiraliste
- Réflexion et introduction aux matières pluridisciplinaires
- Philosophie et IA
- Santé et IA
- Industrie et IA
- Marketing et IA
- Art et IA
- L'IA dans l'industrie
- ChatGPT & software design
- IA et santé
- IOT et IA en agriculture numérique appliquée à la vigne
- IA et marketing
- L'IA dans l'éducation
Équipe pédagogique
Établissements
Licence
Licence pour le contenu du cours
Attribution - Pas d’Utilisation Commerciale - Pas de Modification
Vous êtes autorisé à :
- Partager — copier, distribuer et communiquer le matériel par tous moyens et sous tous formats
Selon les conditions suivantes :
- Attribution — Vous devez créditer l'oeuvre, intégrer un lien vers la licence et indiquer si des modifications ont été effectuées à l'oeuvre. Vous devez indiquer ces informations par tous les moyens raisonnables, sans toutefois suggérer que l'offrant vous soutient ou soutient la façon dont vous avez utilisé son oeuvre.
- Pas d’Utilisation Commerciale — Vous n'êtes pas autorisé à faire un usage commercial de cette oeuvre, tout ou partie du matériel la composant.
- Pas de modifications — Dans le cas où vous effectuez un remix, que vous transformez, ou créez à partir du matériel composant l'oeuvre originale, vous n'êtes pas autorisé à distribuer ou mettre à disposition l'oeuvre modifiée.
Licence pour le contenu créé par les participants du cours
Tous droits réservés
"Tous droits réservés" est une formalité du droit d'auteur indiquant que le détenteur du droit d'auteur se réserve, ou détient pour son propre usage, tous les droits prévus par la loi sur le droit d'auteur.