Technologies pour l’Intelligence Artificielle

Objectifs

Le cours suit les modules d'Apprentissage et de Statistique en hautes dimension et apprentissage profond. A la fin de ce module, l'étudiant sera capable d'appliquer les algorithmes vu durant ces cours de manières optimales sur les technologies appropriés. Il saura également appliquer de nouveaux algorithmes sur des jeux de données réels.

A la fin de ce module, l'étudiant devra avoir compris et pourra expliquer (principaux concepts) :
- Les principes de la conteneurisation
- Les principes du cloud computing.
- Les algorithmes principaux du traitement du langage naturel. (Nettoyage, Vectorization, Word embedding)
- Les algorithmes de réseaux de neurones récurrents
- Les algorithmes principaux de l'apprentissage par renforcement.
- Les algorithmes principaux de système de recommandation.

L'étudiant devra être capable de :
- Identifier les outils adaptés à ces données massives (machine virtuelle, container, cpu vs gpu, etc..) sur différents cas d'usage.
- Identifier les algorithmes adaptés selon les cas d'usages (Système de recommandation, NLP, reinforcement learning, CNN, etc)
- Déployer, optimiser, ces méthodes et algorithmes dans l'environnement le plus adapté et en valider les performances.
- Auto-apprendre le déploiement et l'utilisation sur un cas d'usage d'une technologie récente de son choix.

Pré-requis

Exploration Statistique des données
Apprentissage Machine
Langages R, Python

Évaluation

L’évaluation des acquis d’apprentissage est réalisée en continu tout le long du semestre. En fonction des enseignements, elle peut prendre différentes formes : examen écrit, oral, compte-rendu, rapport écrit, évaluation par les pairs…