Télécom Evolution lance le Certificat d’Etudes Spécialisées (CES) Intelligence artificielle. Conçu et réalisé par Télécom ParisTech et ENSTA ParisTech, et placé sous la responsabilité de Florence D’Alche-Buc, il formera les professionnels à différentes techniques de l’intelligence artificielle telles que l’apprentissage statistique, le machine learning, le deep learning, le traitement de données massives et la robotique.
Nous assistons, ces dernières années, à une accélération considérable des progrès réalisés dans les domaines, entre autres, de la vision par ordinateur, de la reconnaissance vocale ou de la recherche automatique d’information. Ces méthodes de reconnaissance sont aujourd’hui mise en œuvre dans de nombreux « systèmes intelligents » et « systèmes autonomes » 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.
Sur la base de ce constat, Télécom ParisTech et l’ENSTA ParisTech se sont associées pour concevoir un CES Intelligence artificielle. Il forme des ingénieurs et chefs de projet aux différentes composantes de l’intelligence artificielle : l’apprentissage statistique (machine learning, deep learning), le traitement de données (image, texte,…) massives et la robotique.
La formation alterne apprentissage théorique et travaux pratiques qui visent à résoudre des problématiques d’intelligence artificielle et d’Interactions Homme-Robot. Ces derniers sont menés en utilisant des bibliothèques logicielles et des outils informatiques distribués sur des bases de données réelles. Ce CES est placé sous la responsabilité de Florence D’Alche-Buc. Professeur au sein du Département “Image, Données et Signal” de Télécom ParisTech, elle consacre ses recherches à l’apprentissage statistique à partir de données structurées et/ou temporelles, la modélisation de systèmes dynamiques et à la prédiction de liens dans les réseaux.
Cette formation s’adresse à des ingénieurs, techniciens, chefs de projet ayant de bonnes connaissances en mathématiques (probabilités, optimisation) 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.
Le mémoire professionnel requis pour obtenir le double certificat Télécom ParisTech et ENSTA ParisTech, peut être basé sur une problématique et des données de l’entreprise.
Cette formation d’une durée de 25 jours répartis sur 12 mois permet aux professionnels de se former, tout en préservant leur activité professionnelle.
Au 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 lignes
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 caché
APPRENTISSAGE POUR L’IMAGE ET LA RECONNAISSANCE D’OBJETS
Introduction à l’apprentissage non supervisé (‘curse of dimensionality’, ACP, ACI, NNMF)
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
PROGRAMMATION GPGPU POUR L’APPRENTISSAGE
Méthodes d’apprentissage profond
Algorithmes nécessaires à la phase d’entraînement
Architectures modernes pour accélérer les calculs
Evaluation de performances
PERCEPTION POUR LES SYSTÈMES AUTONOMES
Principales approches de la vision sur ordinateur utilisées en robotique
Formalisation mathématique
Plus d’informations et inscriptions sur le site de Télécom Evolution.
