Dans un monde qui se mondernise constamment, l'intelligence artificielle devient omnipresente. Dans cette formation nous allons traiter et comprendre l'IA et ses applications dans les Critères Environnementaux, Sociaux et de Gouvernance (ESG)
Durée
2 jours
Date
Nous consulter
Prérequis
Aucun
Taux de satisfaction
Pas assez de réponses
Taux de réussite
Pas assez de réponses
Prix
1200
Les objectifs du programme
Comprendre le concept de Machine Learning, de Deep Learning et les notions de base de la modélisation physique
Comprendre les problématique des modèles de physique
Exploiter les ressources web (github, arxiv, librairies) pour se constituer une bibliothèque de cas d’usages prête à l’emploi
Comprendre comment l'intelligence artificielle peut résoudre certains problèmes en physique
Public Cible
Tout le monde
Programme
JOUR 1 – MATIN 3h30 : DEEP LEARNING : COMPRENDRE LA RÉVOLUTION DE L’INTELLIGENCE ARTIFICIELLE
Définir le Big Data.
Identifier les différents métiers de la data.
Identifier les étapes d’un projet data avec le cycle de la données avec .
Identifier les grands axes du Big Data.
Définir le machine learning comme problème d’optimisation.
Identifier les typologies d’algorithmes de machine learning : supervisé (classification, régression), non-supervisé, semi-supervisé, auto-supervisé, apprentissage par renforcement.
Identifier les définitions de : sous-apprentissage, sur-apprentissage, généralisation (courbe d’apprentissage), métrique et évaluation.
JOUR 1 – APRÈS-MIDI 3h30 : APPLICATION DE LA DATA SCIENCES A LA PHYSIQUE
Identifier les Mathématiques derrière le Machine Learning : algèbre linéaire, statistiques/probabilités, descente de gradient appliqué à la régression linéaire.
Déterminer les avantages et limites du Machine Learning expliqués sur la régression logistique et le SVM.
Définir les avantages du Deep Learning face au Machine learning expliqués sur le MLP et les CNN.
Déterminer les raisons de passer au Deep Learning.
Déterminer l’utilité de Pytorch sur exemples dans la vie réelle et scénarios applicables.
Identifier les cas d’usages des réseaux de neurones.
JOUR 2 – MATIN 3h30 : MODELISATION PHYSIQUE : INTRODUCTION
JOUR 2 – APRÈS-MIDI 3h30 : MODELISATION PHYSIQUE : ENJEUX ET DEFIS
Suivi et évaluation des résultats
Suivi et évaluation des résultats
Test de positionnement
Test des acquis
Mise en situation
Cas pratiques
Attestation de présence
Document d’évaluation de satisfaction
Attestation de formation individualisée
Outils et methodologie pédagogique
Point en amont de la formation avec restitution du besoin client.
Point en fin de journée de formation, recueil des impressions, régulation sur les autres journées en fonction de l’évolution pédagogique.
Évaluation à chaud en fin de formation, débriefing sur l’écart éventuel, formalisation d’une régulation sur les points soulevés.
Moyens techniques : ordinateur et accès internet
Moyens d'encadrement de la Formation
ASphere s’engage à adapter chaque formation aux besoins réels du stagiaire.
L’animation est basée sur une pédagogie active, avec des exercices pratiques et personnalisés ce qui permet l'ancrage en temps réel.
Cette animation s’appuie sur une alternance d’exposés théoriques et pratiques.
Vidéo-projection, supports de cours délivrés à chaque participant, travaux pratiques.
Effectif
Effectif maximum : 10 participants
Effectif minimum : 1 participant
Lieu de formation
Cette formation est possible en présentiel (INTRA ENTREPRISE) ou en distanciel grâce à une connexion avec votre ordinateur ou votre smartphone.
Accéssibilité
Accessibilité aux personnes en situation de handicap : nous contacter.
Il appartient au client de s’assurer que les locaux soient conformes et accessibles aux personnes en situation de handicap.
La certification qualité a été délivrée au titre de la catégorie d'action suivante: ACTIONS DE FORMATION
Adresse : 2 bis rue Georges Wodli57250 Moyeuvre-Grande Contact : contact@asphere.fr +33 6 62 69 51 87 Siret : 90787695700016 Code Naf: 8559A