Notes de la présentation FIDLE - Deep Learning et Intelligence Artificielle

Introduction

• Bienvenue à la nouvelle saison de FIDLE, en direct sur YouTube.
• FIDLE : formation libre, gratuite, ouverte à tous sur le Deep Learning et l'Intelligence Artificielle.

Présentation de la formation FIDLE

• Portée par l'Institut d'Intelligence Artificielle de Grenoble (MIAI), CNRS et Université Grenoble Alpes.
• Supports de cours disponibles sur le site du CNRS.
• Formation accessible sans prérequis, mais possibilité de travaux pratiques.

Outils de gestion des questions

• Utilisation de l'outil Q2A pour poser des questions : fidle.cs.fr/q2a
• Importance de poser des questions construites pour obtenir des réponses écrites.

Organisation des sessions

• Trois plateaux de diffusion : Grenoble, Paris, et une régie.
• Encouragement à poser des questions et réagir dans le chat YouTube.

Liste d'informations FIDLE

• Abonnement à la liste d'informations pour recevoir des nouvelles.
• Création d'une communauté Agoria pour échanger sur l'IA au-delà des formations.

Structure de la formation

1. Bases et concepts du Deep Learning (jusqu'à Noël)
   • Introduction au Deep Learning et à l'IA.
   • Concepts fondamentaux : réseaux de neurones.
2. Deep Learning comme outil (à partir de janvier)
   • Public curieux ou scientifique.
   • Cartographie des types d'architectures.
3. Acteurs de l'IA (en mai)
   • Approfondissement sur l'IA contemporaine.
   • Prérequis : maîtrise de Python pour les travaux pratiques.

Concepts clés

• Intelligence Artificielle : Machine Learning, Deep Learning.
• Apprentissage supervisé, non supervisé, par renforcement, et transfert.
• Réseaux de neurones : neurone artificiel comme fonction mathématique.

Histoire du Deep Learning

• Époque expérimentale : développement des mathématiques pour modéliser.
• Informatique : mise en code des équations.
• Science pilotée par les données : observer et modéliser sans théorie scientifique.

Types d'apprentissages

• Supervisé : apprendre à partir de données labellisées.
• Non supervisé : analyser des données non labellisées.
• Auto-supervisé : labellisation via des données d'entrée.
• Apprentissage par renforcement : agent interagissant avec un environnement.
• Transfert learning : utiliser un modèle appris pour une tâche différente.

Problèmes et défis

• Surapprentissage : trop d'ajustement aux données d'apprentissage.
• Complexité des données : importance de la qualité des données.
• Boîte noire : difficulté à expliquer les décisions des modèles complexes.

Ressources et outils

• Environnement Python : Keras, TensorFlow, PyTorch.
• Besoins en calcul : GPU pour faire fonctionner ces modèles.
• Accès à des supercalculateurs : IDRISS pour projets de recherche.

Conclusion

• Importance de la préparation des données.
• Prochaine session : focus sur les données et leur rôle dans l'apprentissage.
• Remerciements à l'équipe technique et aux participants.

Note : Les points clés et concepts sont résumés et peuvent être détaillés lors des prochaines séances.