Introduction à l'intelligence artificielle (AI) - eLearning

Introduction à l'intelligence artificielle (IA) - e-learning

Acquérez une compréhension des concepts, des flux de travail et des indicateurs de performance de l'IA

Intelligence artificielle Introduction à l'intelligence artificielle E-learning : Acquérez une compréhension des concepts, des flux de travail et des indicateurs de performance de l'IA.

Si vous souhaitez approfondir vos connaissances en intelligence artificielle et comprendre ses applications commerciales, notre cours Introduction à l'intelligence artificielle est exactement ce qu'il vous faut ! Ce cours vous donnera un aperçu général des concepts, des processus et des indicateurs de performance de l'IA, ainsi que du machine learning et du deep learning. Vous découvrirez comment les algorithmes de clustering et de classification aident à identifier les applications commerciales de l'IA et apprendrez également la différence entre l'apprentissage supervisé, non supervisé et par renforcement.

Aperçu du cours

Ce cours couvre les terminologies, les concepts, le champ d'application et les étapes de l'intelligence artificielle. Il examine également leur impact sur les processus commerciaux réels et la manière dont l'IA génère de la valeur commerciale. À la fin du cours, vous serez en mesure d'utiliser les workflows d'apprentissage automatique pour résoudre des problèmes commerciaux, définir clairement divers algorithmes d'IA supervisés et non supervisés et mesurer le retour sur investissement à l'aide d'indicateurs de performance.

Qu'est-ce qui est inclus ?

• Le cours et le matériel sont en anglais
• Adapté aux débutants
• Accès pendant 1 an à la plateforme d'e-learning à votre rythme, 24 h/24 et 7 j/7
• 2 heures de contenu vidéo
• 6 heures d'étude recommandées
• Pratiques
• Quiz pour rafraîchir vos connaissances
• Pas d'examen à la fin du cours, mais les étudiants recevront une attestation de formation.

OBJECTIFS DU COURS

À la fin de ce cours, vous serez en mesure de comprendre :

• La signification et l'objectif de l'IA, ainsi que son champ d'application, ses étapes, ses applications et ses impacts
• Les concepts de base du machine learning et du deep learning
• Comment mettre en œuvre efficacement les étapes d'un workflow de machine learning
• La différence entre l'apprentissage supervisé, semi-supervisé et non supervisé
• Le rôle des mesures de performance et comment identifier les pratiques clés

Public cible

Le cours est conçu pour des personnes issues de divers horizons qui souhaitent acquérir des connaissances fondamentales sur l'intelligence artificielle et ses applications. Aucun prérequis formel n'est nécessaire. Cependant, une compréhension de base des mathématiques, des statistiques et de la programmation sera utile.

• Professionnels de l'informatique
• Professionnels non techniques
• Analystes de données
• Étudiants
• Enseignants et chercheurs
• Entrepreneurs et innovateurs

Programme

Leçon 01 - Décoder l'intelligence artificielle

• Décoder l'intelligence artificielle
• Signification, portée et phases de l'intelligence artificielle
• Les trois phases de l'intelligence artificielle
• Applications de l'intelligence artificielle
• Identification d'images
• Applications de l'intelligence artificielle - exemples
• Impact de l'intelligence artificielle sur la société
• Suivi de l'apprentissage pour la télémédecine
• Résolution de problèmes sociaux complexes
• Avantages pour de nombreux secteurs
• Principales conclusions

Leçon 02 - Notions de base sur l'apprentissage automatique et l'apprentissage profond

• Notions de base sur l'apprentissage automatique et l'apprentissage profond
• Importance de l'apprentissage automatique
• Relation entre l'apprentissage automatique et l'analyse statistique
• Processus d'apprentissage automatique
• Types d'apprentissage automatique
• Importance de l'apprentissage non supervisé
• Importance de l'apprentissage semi-supervisé
• Algorithmes pour l'apprentissage automatique
• Régression
• Naive Bayes
• Classification avec Naive Bayes
• Algorithmes pour l'apprentissage automatique
• Apprentissage profond
• Définition des réseaux neuronaux artificiels
• Définition du perceptron
• Apprentissage en ligne et par lots
• Conclusions clés

Leçon 03 - Workflow de l'apprentissage automatique

• Objectifs d'apprentissage
• Workflow de l'apprentissage automatique
• Obtenir plus de données
• Poser une question pertinente
• Ajouter des données au tableau
• Vérifier la qualité
• Convertir les fonctions
• Répondre aux questions
• Utiliser la réponse
• Conclusions clés

Leçon 04 - Mesures de performance

• Indicateurs de performance
• Nécessité de mesurer la performance
• Principales méthodes de mesure de la performance
• Exemple de matrice de confusion
• Termes utilisés dans la matrice de confusion
• Réduire le nombre de cas incorrects
• Réduire le nombre de faux positifs
• Précision
• Récupération
• Sensibilité
• Spécificité
• Score F1
• Principales conclusions