Télécom Evolution lance le Certificat d'Etudes Spécialisées (CES) Intelligence artificielle

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.