Le cours VIARENA a été conçu pour deux clientèles principales qui correspondent à deux parcours pédagogiques:

1. Profil « coureur des bois » - Les entrepreneurs, dirigeants et visionnaires pour les aider à identifier les opportunités et à comprendre les applications potentielles de la vision artificielle.
2. Profil « patenteux » - Les praticiens, informaticiens, programmeurs, codeurs, ingénieurs, techniciens, scientifiques et développeurs de logiciels qui désirent s'initier d'une façon pratique à la vision par ordinateur. Pour eux, les laboratoires exigent la connaissance d'un langage de programmation et si possible de Python

Objectifs finaux du cours

COUREUR DES BOIS :

- Faire des liens entre les connaissances acquises en vision artificielle et des applications dans la vie réelle.

PATENTEUX:.

- Réaliser une application en vision artificielle depuis l'acquisition et le prétraitement des images, en passant par la création, l'entraînement et l'évaluation d'un réseau convolutif, puis finalement son déploiement sur la Toile ou sous la forme d'une application mobile.

Objectifs du module 1

COUREUR DES BOIS & PATENTEUX:

- Comprendre que la vision artificielle est accessible et prête à l'emploi;

- Comprendre l'importance des données;

- Énumérer quelques applications de la vision artificielle;

- Connaître certaines limites de l'IA.

COUREUR DES BOIS :

- Connaître les éléments-clés d'une stratégie pour bien débuter en IA.

PATENTEUX:

- Distinguer et définir intelligence artificielle et science des données.

Objectifs du module 2

Ce module a pour objectif la mise à jour de vos connaissances par un survol de la science des données et de l'apprentissage automatique. Si vous êtes déjà familier de ces sujets, nous vous invitons à passer directement au module suivant.

COUREUR DES BOIS & PATENTEUX:

- Comprendre comment les ordinateurs peuvent apprendre à partir de données;

- Saisir l’importance des données, de leur acquisition et de leur prétraitement.

COUREUR DES BOIS :

- Comprendre « intuitivement » la science des données, et l’apprentissage automatique.

PATENTEUX:

- Lire, manipuler, visualiser, calculer des statistiques, analyser des relations dans un jeu de données;

- Déterminer la classe-cible et les prédicteurs, séparer les données d'entraînement et de test, choisir un algorithme d’apprentissage classique, entraîner et évaluer un modèle.

Objectifs du module 3

COUREUR DES BOIS:

- Comprendre « intuitivement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones et l'apprentissage profond.

PATENTEUX:

- Comprendre « pratiquement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones, et l'apprentissage profond;

- Appliquer le perceptron multicouche à la reconnaissance visuelle de chiffre manuscrits et d'objets simples.

Objectifs du module 4

COUREUR DES BOIS & PATENTEUX:

- Saisir le potentiel et énumérer quelques applications de la vision artificielle en agriculture.

COUREUR DES BOIS :

- Comprendre « intuitivement » le fonctionnement d'un réseau convolutif.

PATENTEUX:

- Comprendre « pratiquement » le fonctionnement d'un réseau convolutif;

- Appliquer un réseau convolutif à la reconnaissance et à la classification d'images de chiffres manuscrits et d'objets simples.

Objectifs du module 5

COUREUR DES BOIS & PATENTEUX:

- Connaître différentes sources de données et leurs méthodes d’acquisition;

- Connaître l’utilisation des caméras, LiDAR, des capteurs et des objets connectés;

- Comprendre l’intérêt des images satellitaires et recueillies par des drones;

- Savoir que la source essentielle des biais est dans les données;

- Connaître différentes sources de données synthétiques;

- Saisir le potentiel et énumérer quelques applications de la vision artificielle dans les pêches et l’aquaculture.

COUREUR DES BOIS :

- Comprendre qu'avoir des quantités d'images de qualité est au coeur des applications de la vision artificielle;

- Saisir le défi de l’annotation des images.

PATENTEUX:

- Comprendre que les données doivent être de qualité et en quantité suffisante;

- Comprendre les rudiments du fonctionnement des caméras, des LiDAR, des capteurs et objets connectés;

- Moissonner des données sur la Toile;

- Connaître les principales fonctions d’un drone;

- S'initier au traitement d’images satellitaires;

- S'initier au traitement des sons;

- Annoter des images.

Objectifs du module 6

COUREUR DES BOIS & PATENTEUX:

- Comprendre le défi du « mur des données massives »;

- Connaître des moyens de franchir le « mur des données massives »;

- Saisir le potentiel et énumérer quelques applications de la vision artificielle en foresterie.

COUREUR DES BOIS :

- Connaître les principes et les avantages de l’apprentissage par transfert et de l’amplification de données.

PATENTEUX:

- Appliquer l’apprentissage par transfert et l’amplification de données à la reconnaissance d’images.

Objectifs du module 7

COUREUR DES BOIS & PATENTEUX:

- Comprendre les différents choix techniques pour le déploiement d’une application en vision artificielle;

- Saisir le potentiel et énumérer quelques applications de la vision artificielle en environnement et faune.

COUREUR DES BOIS :

- Comprendre la stratégie de la traversée du gouffre;

- Connaître les grands principes de la gestion de projet d’innovation;

- Saisir l’importance de la créativité;

PATENTEUX:

- Déployer une application en vision artificielle sur la Toile;

- Réaliser une application mobile en vision artificielle.

Objectifs du module 8

COUREUR DES BOIS & PATENTEUX:

- Être conscient de la surenchère et de l’effet de mode;

- Saisir le potentiel et énumérer quelques applications de la vision artificielle dans l’énergie et les mines.

COUREUR DES BOIS :

- Connaître quelques ressources utiles pour aller plus loin dans son projet d'affaires.

PATENTEUX:

- Se familiariser avec la détection d’objets;

- Connaître quelques bonnes suggestions de livres et de cours pratiques.

Semaine 1

Module 1 - Introduction

Introduction à l'IA

Vision artificielle

Quelques applications en vision artificielle

Premier laboratoire - Loi de Kleiber

Conclusion

Module 2 - Science des données et apprentissage automatique

Motivation

Science des données

Labo 2 - Les tableaux en Python

Labo 3 - Survol de la science des données

Apprentissage automatique

Mise au point d'un modèle d'apprentissage

Labo 4 - Survol de l'apprentissage automatique

Conclusion

Semaine 2

Module 3 - Du neurone à l'apprentissage profond

Introduction

Neurone artificiel

Labo 5 - Simulateur de neurone artificiel Perceptron

Labo 6 - Perceptron simple

Labo 7 - Réseau à deux couches de neurones Réseau de neurones

Labo 8 - Réseau à plusieurs couches Perceptron multicouche (PMC)

Apprentissage profond PMC et vision artificielle

Labo 9 - Reconnaissance de chiffres manuscrits

Labo 10 - Reconnaissance d'objets

Module 4 - Réseaux convolutifs

Introduction Convolution

Labo 11 - Expériences avec la convolution

Sous-échantillonnage

Labo 12 - Expériences de sous-échantillonnage

Architecture d'un réseau convolutif

Labo 13 - Rés. Conv. reconnaissance de chiffres manuscrits

Labo 14 - Rés. Conv. reconnaissance d'objets

Architectures profondes

Choix d'une architecture

Labo 15 - Rés. Conv. variantes d'architectures

Applications en agriculture

Semaine 3

Module 5 - Les données au coeur des applications

Introduction

Acquisition des données

Labo 16 - Moissonnage sur la Toile

Labo 17 - Interrogation d'un service web

Images satellitaires

Labo 18 - Couverture terrestre

Utilisation de drones

Données sonores

Labo 19 - Données sonores

Qualité des données

Labo 20 - Traitement d'images

Annotation et enrichissement des données

Labo 21 - Annotation d'images

Applications dans les pêches et l'aquaculture

Semaine 4

Module 6 - Petits jeux de données

Mise en situation Apprentissage par transfert

Labo 22 - Apprentissage par transfert

Amplification des données

Labo 23 - Amplification des données

Mise au point d'un modèle

Labo 24 - Analyse des erreurs

Applications en foresterie

Semaine 5

Module 7 - Projet d'application

Développement d'une application

Déploiement d'un modèle en ligne

Service en ligne

Labo 25 - Serveur d'inférences

Application mobile intelligente

Labo 26 - Création d'un modèle compact

Labo 27 - Conversion vers un modèle compact

Labo 28 - Application mobile ÉcorcIA

Maintenance d'un modèle

Applications faune et environnement

Module 8 - Conclusion

Labo 29 (en prime) - Détection d'objets

Applications dans l'énergie et les mines

Mise en garde

Pour aller plus loin

Retour sur votre expérience Attestation