Développement en Intelligence Artificielle avec Python

Introduction au Machine Learning

• Objectifs du module
• Les domaines de l’intelligence artificielle
• Définir le Machine Learning
• Les métiers du Machine Learning
• Les ingrédients du Machine Learning
• Exemples de tâches d’apprentissage
• La méthodologie CRISP-DM
• Conclusion

L’environnement technique du Machine Learning

• Objectifs du module
• Les catégories d’outils
• Les langages du Machine Learning
• Anaconda
• Jupyter Notebook
• Démonstration – Anaconda
• TP à réaliser
• Conclusion

Les librairies Python pour le Machine Learning

• Objectifs du module
• Panorama des librairies existantes
• Présentation de Numpy
• Création d’un tableau avec Numpy
• Accéder aux données avec Numpy
• Présentation de Pandas
• Les structures de données Pandas
• Manipuler les données avec Pandas
• Explorer les données avec Pandas
• Présentation de Matplotlib
• L’organisation des figures de Matplotlib
• Générer une figure avec Matplotlib
• Les types de graphes de Matplotlib
• Présentation de Seaborn
• Seaborn et Matplotlib
• Présentation de Scikit-learn
• Conclusion
• TP à réaliser

Le travail sur les données

• Objectifs du module
• Le vocabulaire de la donnée
• Caractériser les données
• Statistiques
• Corrélation
• Etudier les visualisations
• Nettoyer les données
• Les problèmes de qualité
• Gérer les anomalies
• Gérer les données manquantes
• Préparer les données
• Encoder une image
• Encoder un texte
• Gérer les données catégorielles
• Normaliser les données
• Discrétiser les données
• Combiner les données
• Conclusion
• TP à réaliser

L’apprentissage supervisé

• Objectifs du module
• Les formes d’apprentissage
• Présentation de l’apprentissage supervisé
• Classification et régression
• Les ingrédients de l’apprentissage supervisé
• Évaluer l’apprentissage supervisé
• Le surapprentissage
• Entraînement et test
• Validation croisée
• Implémentation avec Scikit-learn
• Métriques de classification
• Métriques de régression
• Implémentation avec Scikit-learn
• Arbre de décision : présentation
• Arbre de décision : algorithme
• Les mesures d’impureté
• Arbre de décision avec Scikit-learn
• Régression linéaire : présentation
• Régression polynomiale
• Régression avec Scikit-learn
• Régression et normalisation
• Conclusion
• TP à réaliser

Les algorithmes de classification

• Objectifs du module
• Naive Bayes : présentation
• Probabilité et classification
• Théorème de Bayes
• Application aux variables continues
• Implémentation de Naive Bayes avec Scikit-learn
• La méthode des plus proches voisins : KNN
• Calculer les distances
• Principe de KNN
• Choisir la valeur de k
• Implémentation de KNN avec Scikit-learn
• Les machines à vecteurs de support : SVM
• Implémentation de SVM avec Scikit-learn
• Les réseaux de neurones : présentation
• Le perceptron
• Les calculs derrière le perceptron
• Les réseaux de neurones : les couches
• Les fonctions d’activation
• La rétropropagation
• Architecture d’un réseau
• Deep Learning
• Implémentation d’un réseau de neurones avec Scikit-learn
• Conclusion
• TP à réaliser

L’apprentissage non supervisé

• Objectifs du module
• Le principe de l’apprentissage non supervisé
• Le clustering : présentation
• Les différents clusters possibles
• Les types de clustering
• K-means : algorithme
• K-means : les problématiques
• Méthode du coude
• Méthode silhouette
• Initialisation de k-means
• Implémentation de k-means avec Scikit-learn
• Clustering hiérarchique : présentation
• Clustering hiérarchique agglomératif
• Calculer la proximité entre les clusters
• Utiliser le dendrogramme
• Implémentation du clustering hiérarchique avec Scikit-learn
• Itemsets et associations : présentation
• Association : cas d’usage
• Association : vocabulaire
• Rechercher des règles d’association : algorithme Apriori
• Conclusion
• TP à réaliser

Concepts avancés sur l’apprentissage

• Objectifs du module
• Principe de l’analyse en composantes principales
• Implémentation de l’ACP avec Scikit-learn
• Les méthodes ensemblistes : présentation
• Les méthodes ensemblistes : bagging
• Les méthodes ensemblistes : boosting
• Les forêts d’arbres aléatoires
• Le problème des données déséquilibrées
• Gérer des données déséquilibrées
• L’apprentissage semi-supervisé
• L’apprentissage par renforcement
• Conclusion

Enjeux et risques de l’IA

• Objectifs du module
• Les risques de l’IA
• Les biais de l’IA
• Les utilisations malveillantes
• Les limites de l’IA
• Le cadre juridique
• Conclusion