Executive Certificate Intelligence Artificielle Sciences des données Mixte : présentiel / à distance

Contexte & Objectifs
Ce module a pour objectif d'introduire les principaux concepts, méthodologies et technologies de l'Intelligence Artificielle.

Après une présentation du domaine de l'intelligence artificielle, de ses deux principaux courants IA symbolique et IA à base d'apprentissage, nous détaillerons pour chaque courant les principaux modèles ou paradigmes et leurs domaines d'application. Nous introduisons l'IA symbolique et nous fournirons un panorama des principaux modèles : les modèles à bases d'état, les modèles à base de variables comme les CSPs ou les réseaux bayésiens et enfin les modèles à base de connaissance. Pour chaque famille de modèles, nous insisterons sur le type de problèmes auxquels les différentes familles de modèles peuvent répondre, leurs avantages et leurs inconvénients. Enfin, la formation se terminera sur un des grands enjeux actuels de l'IA : la construction de systèmes d'IA digne de confiance. Cet enjeu sera décliné en plusieurs défis : la robustesse et la certification des systèmes d'IA, leur explicabilité et leur éthique.

- Une brève introduction à l'intelligence artificielle/science des données.

- Panorama des approches d'IA symbolique + travaux pratiques.

- Quelques enjeux actuels de l'IA : hybridation, explicabilité et robustesse.

Régulation des usages de l'IA
L'objectif de cette formation est de présenter les différentes voies de régulation possibles et de dresser un panorama des initiatives normatives en cours, pour comprendre et évaluer les usages licites de l'IA.

- L'IA et le droit : définitions, présentation des différents instruments.
- Le droit de l'IA : Étude pratique de l'AI Act, mise en situation pratique (ex. d'une création culturelle), QCM.

Technologie & mise en pratique - Approches probabilistes et apprentissage
L'objectif de ce module de formation est d'introduire les concepts et techniques pertinents à la reconnaissance statistique des formes. La classification hiérarchique non supervisée, les moyennes k, la règle de Bayes, les pertes et les risques, le risque de Bayes, les estimations du maximum de vraisemblance, les modèles graphiques probabilistes, LDA, la classification à partir des méthodes du plus proche voisin (k-NN) sont quelques-uns des concepts présentés. Un focus sera fait sur les techniques de visualisation de données telles que t-SNE.

- Proba/ stat (Bayes, ML, décision, ...), supervisé : DA approaches (LDA, QDA, …), SVM.
- Non supervisé (clustering) et Visualisation.
- Étude de cas.

Technologie & mise en pratique - Apprentissage statistique
Ce module présentera les principales approches d'apprentissage statistique telles que la régression linéaire ou logistique, les arbres de décision, les méthodes d'ensemble, les forêts aléatoires, le boosting, etc. Des questions essentielles liées au pré-traitement des données, dont la réduction de leur dimension, et aux métriques d'évaluation des approches de l'apprentissage statistique seront aussi discutées dans ce cours.

- Machine Learning (classification, régression).
- Étude de cas.

Technologie & mise en pratique - Réseaux Neuronaux et traitement automatique du langage naturel
Dans ce module, nous proposons une introduction aux principales architectures de réseau de neurones pour adresser des problèmes en vision par ordinateur et en traitement automatique du langage naturel. Le module est à la fois théorique et pratique, une partie du module étant consacrée à la réalisation de projets en deep learning avec accès à des ressources GPUs. Les TPs seront réalisés avec le framework pyTorch.

- Introduction aux réseaux de neurones. 
- Réseaux convolutifs et applications.
- Cas d'usage en vision.
- Deep learning pour le traitement automatique du langage naturel.
- Mécanismes d'attention et Transformeurs.
- Cas d'usage en traitement du language naturel (LLM / RAG).

Déclinaison personnalisée aux secteurs d'activité
Ce cours vise à permettre la déclinaison des enseignements aux secteurs d'activité spécifiques via :

- Analyse high level du secteur & opportunités au regard des technologies.
• Revue documentaire & macro afin de comprendre les tendances et, par rapport aux technologies envisagées, les éléments les plus intéressants via une revue de littérature.
- Prototypages / Tests.
• Conception de solution (traitement & maquette) et test de la solution auprès des utilisateurs potentiels (afin de confirmer l'intérêt, procéder tot à des ajustements.
- Premiers prototypes.
• Conception d'un premier prototype fonctionnel.
- Retour, ajustement et définition des objectifs finaux.
• Test, et definition des objectifs finaux / cas.

Technologie & mise en pratique - Langages de programmation et plateformes d'IA/SD
Ce cours vise à amener les professionnels des systèmes d'information et des sciences de l'information au niveau des métalangages et des paquets de programmation relatifs aux sciences des données et de l'intelligence artificielle. En particulier, nous étudierons les plateformes de sciences des données et l'IA au-delà des entrepôts de données, pour raisonner et interpréter les données non/ multi-structurées et dispersées en utilisant les métalangages de données massives les plus courants et les plus répandus : Hadoop, MapReduce, Spark, etc.

Le cours introduira aussi les modèles de stockage de données et les bases de données NoSQL en explorant en parallèle les opportunités et les défis ouverts dans l'utilisation des Dataframes (Spark, Pandas, etc.) et des formats de stockages dédiés aux données massives et l'IA comme Parquet.

- Langages de programmation & plateformes d'IA.
- Étude de cas.

Technologie & mise en pratique - Apprentissage par renforcement
L'apprentissage par renforcement représente un paradigme puissant permettant d'acquérir de manière dynamique la capacité de contrôler des systèmes complexes à partir d'exemples. Il peut être appliqué de façon pertinente dans une vaste gamme de domaines, tels que la robotique, les jeux, les modèles de langage, l'énergie et la santé. Ce cours offrira une solide initiation à l'univers de l'apprentissage par renforcement, et une familiarisation avec les défis majeurs et les approches essentielles, notamment la généralisation et l'exploration.

Technologie & mise en pratique - Systèmes multi-agents
Ce cours présente les principes du paradigme multi-agents et leur mise en œuvre pour l'intégration de systèmes intelligents et le développement de systèmes sociotechniques, avec un regard particulier sur la simulation multi-agent de systèmes complexes. Les apprenants utiliseront une plateforme multi-agent pour développer un système distribué en intelligence artificielle dans le contexte d'une simulation d'une application industrielle. Nous aborderons les notions suivantes :

- Modélisation multi-agents.
- Découverte d'une plate-forme multi-agent.
- Simulation multi-agent.

Évaluation des solutions
A l'issue du développement des solutions, il s'agira ici :

- De collecter les enseignements sur le prototype conçu
- D'en tirer les enseignements sur les prochaines étapes éventuelles

En utilisant au mieux l'intelligence collective issue du groupe.

certification scikit-learn

Certification

Mathématiques pour l'ingénierie :
- Vecteurs (algèbre linéaire).
- Calcul différentiel.
- Optimisation.
- Equations différentielles.
- Probabilités et statistiques.

Informatique : connaissance de base des langages de programmation (C ++ ou Java ou Python).

• Admission sur dossier
• Admission après entretien

Vous pouvez prendre contact avec votre conseiller formation, qui saura répondre à vos différentes interrogations. Ses coordonnées figurent sur la brochure de formation, sur le bulletin d'inscription ou sur notre site Internet.

Vous pouvez également contacter notre référent handicap pour toute précision éventuelle ou demande d'accompagnement :
Référent Handicap CentraleSupélec Exed

Lionel Husson – handicap@centralesupelec.fr

• IA05 : La régulation des usages de l’intelligence artificielle