Comment identifier une opportunité de développement d'IA?

Objectifs spécifiques

• Reconnaître les différentes familles de tâches de l'IA telles que la régression, la classification et les systèmes de recommandation.
• Classifier différentes applications selon le type de tâches d'IA.
• Organiser les données de manière à ce qu'elles soient prêtes à un développement en IA.
• Mesurer le potentiel des données et en identifier les lacunes.
• Expliquer les particularités propres aux réseaux de neurones et au méga données (big data).

Contenu sommaire

• Classification et régression : présenter ce qu'est la classification et la régression. Renforcer l'apprentissage par des études de cas et des exercices de classification.
• Outils courants de classification et de régression : présenter graphiquement le fonctionnement de certains outils comme la régression linéaire, la régression logistique et l'arbre de décision.
• Organisation des données : présenter à l'apprenant comment organiser les données pour réaliser de la classification et de la régression. Renforcer l'apprentissage par des mises en situation.
• Données manquantes et création de variables : présenter les problèmes courants tels que les valeurs manquantes ou aberrantes. Présentation de la création de variables.
• Renforcer l'apprentissage par des mises en situation et des exercices de classification.
• Analyse prédictive vs descriptives : présenter la différence entre l'analyse prédictive et l'analyse descriptive. Renforcer l'apprentissage par des études de cas.
• Série chronologique : présenter l'analyse prédictive chronologique. Renforcer l'apprentissage par des mises en situation.
• Systèmes de recommandations : présenter des trois types de systèmes de recommandation. Renforcer l'apprentissage par des mises en situation et des exercices d'association.
• Apprentissage par renforcement : présentation de l'apprentissage par renforcement. Renforcer l'apprentissage par des études de cas. Données non structurées et réseaux de neurones : présenter les particularités, les forces et les faiblesses des réseaux de neurones et leurs applications aux données non structurées. Renforcement de l'apprentissage par des études de cas et des exercices de classification.
• Méga données (big data) : présenter la définition du big data et ses particularités. Renforcement de l'apprentissage par des exercices d'associations.