Introduction a l’analyse de données avec l’intelligence artificielle

Le but de la formation est de présenter les principaux concepts de l’intelligence artificielle et de mettre en valeur leur applications pratiques pour les entreprises. La finalité est d’amener les participants a pouvoir résoudre des problèmes complexes qui nécessitent un niveau d’expertise avancé. Cette formation permettra aussi de découvrir des outils indispensables dans la sphère du langage Python tels que l’environnement Anaconda ainsi que les bibliothèques les plus connues telles que Numpy, Pandas, Matplotlib, Scikit Learn etc.

Durée : (04) jours.

Déroulement de la formation

Chaque jour, la formation se déroule en deux phases :

• la matinée est consacrée a la théorie et aux débats

• l’après-midi est consacré aux ateliers pratiques et au travaux en groupe

Public ciblé

Cette formation s’adresse aux :

• Ingénieurs, Analystes

• Professionnels et industriels

• Etudiants et Enseignants

Cette formation s’adresse a toute personne ayant un niveau universitaire, il n’est pas nécessaire d’avoir de connaissances en informatique ou de prérequis pour suivre cette formation

Objectifs

A l’issue d’une formation de 5 jours, les compétences acquises par l’apprenant lui permettront de :

• écrire, compiler et d'exécuter des programmes de calculs

• afficher des graphiques de représentation de données

• maitriser les principales bibliothèques (Pandas, Numpy, Scikit learn etc ..

• écrire des programmes qui accèdent a des données tabulaires pour des traitements de base

• exécuter et superviser des projets de data science

• exécuter des projets de machine learning avec des images

Plan de la formation

Chapitre 1 : Historique

1. Historique de l’IA

2. Intérêt et caractéristiques et composantes de l’IA

3. Influences et évènements clés

4. Perspectives

Chapitre 2 : Découverte

1. Environnement de programmation standard Anaconda

2. L'interpréteur Spyder

3. Premiers exemples de programmes

Chapitre 3 : Le langage de programmation Python

1. Présentation du langage

2. Variables, Expressions, Instructions arithmétiques

3. Entrées/Sorties de base

4. Structure de programme de base : La séquence, Les conditions, Les répétitions

5. Exemples

Chapitre 4 : Les fonctions

1. Notion de fonction

2. Les fonctions mathématiques standard

3. Le retour

4. Les paramètres

5. Exemples

Chapitre 5 : Les listes

1. La déclaration

2. Les opérations

3. Les primitives

4. Exemples

Chapitre 6 : Les Bases du calcul scientifique

1. Introduction a Numpy

2. Les structures de données de base

3. Principales fonctions

4. Exemples

Chapitre 7 : Eléments de base de la data science

1. La bibliothèque Pandas

2. Les fonctions de lecture de données tabulaires (Excel)

3. Les fonctions de base d'analyse de données

4. Les pré-traitements (nettoyage des données)

5. Les graphiques avec Matplotlib

6. Exemples

Chapitre 8 : les bases de l’apprentissage artificiel

1. L’apprentissage supervisé

2. KNN, Arbres de décision, Régression, reseaux de neurones

3. Métriques et Exemple

4. Cas des données déséquilibrées

5. Estimattion et regression Regression

6. L’apprentissage non supervisé

7. Clustering, Kmean

8. Métriques et Exemple

Ressources

Les participants recevront les liens d’accès pour télécharger :

• Les slides des cours

• Les data sets utilisés pour les démonstrations

• Les programmes utilisés

Les participants recevront une version de l’environnement Anaconda pour l’installer en classe

Equipe pédagogique

L’équipe pédagogique se compose de :

Un enseignant universitaire ayant plus de 25 années d’expérience d’enseignement, diplômé et certifié de l’ENP, l’USTHB, l’université de Cergy, l’UCL Louvain et l’école de management de Grenoble. Avec plus d’une dizaine d’années d’enseignement spécifique pour des cadres d’entreprise (ENTV, Poval, Saidal, Naftal. Safex Etc ).

Planning des présentations