Un réseau de neurones artificiels ou Neural Network est un système informatique s’inspirant du fonctionnement du cerveau humain pour apprendre. Découvrez tout ce que vous devez savoir sur cette technologie d’intelligence artificielle de la famille du Deep Learning.
Apprentissage du quantron : un problème d\’optimisation non différentiablesdemontigny
Présentation au séminaire de mathématiques appliquées du département de Mathématiques et de Génie Industriel (3 avril 2008, École Polytechnique de Montréal)
International Journal of Engineering Research and Development (IJERD)IJERD Editor
International Journal of Engineering Research and Development is an international premier peer reviewed open access engineering and technology journal promoting the discovery, innovation, advancement and dissemination of basic and transitional knowledge in engineering, technology and related disciplines.
Rapport projet Master 2 - Intelligence ArtificielleYanis Marchand
Découverte de l'apprentissage par réseaux de neurones à travers une application concrète : la reconnaissance vocale.
Les données d'entraînement sont des enregistrements vocaux de personnes dans différents états émotionnels. Elles sont traitées par Transformée de Fourier et le réseau est entraîné à renvoyer l'état émotionnel de la personne enregistrée pour un échantillon donné.
Ce projet a été codé sous MatLab.
C'est une branche du Machine Learning très prometteuse. Que ce soit pour reconnaître des visages sur des images, analyser des textes et les interpréter automatiquement ou encore avoir des voitures qui conduisent toutes seules, les applications du Deep Learning sont nombreuses. Aujourd'hui, nous vous proposons un workshop qui va vous permettre de comprendre ce domaine et voir en quoi nous pourrions concretement l'utiliser.
conférence sur le thème :
Intelligence artificielle et applications
Organisée par :
Laboratoires MISI, IR2M, IIMSC et AMSAD
UNIVERSITE HASSAN 1er et FST DE SETTAT
Evénement organisé à Mehdia, Kénitra
(Complexe Hotel Kenz Mehdia)
25 et 26 décembre 2019
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Un réseau de neurones artificiels ou Neural Network est un système informatique s’inspirant du fonctionnement du cerveau humain pour apprendre. Découvrez tout ce que vous devez savoir sur cette technologie d’intelligence artificielle de la famille du Deep Learning.
Apprentissage du quantron : un problème d\’optimisation non différentiablesdemontigny
Présentation au séminaire de mathématiques appliquées du département de Mathématiques et de Génie Industriel (3 avril 2008, École Polytechnique de Montréal)
International Journal of Engineering Research and Development (IJERD)IJERD Editor
International Journal of Engineering Research and Development is an international premier peer reviewed open access engineering and technology journal promoting the discovery, innovation, advancement and dissemination of basic and transitional knowledge in engineering, technology and related disciplines.
Rapport projet Master 2 - Intelligence ArtificielleYanis Marchand
Découverte de l'apprentissage par réseaux de neurones à travers une application concrète : la reconnaissance vocale.
Les données d'entraînement sont des enregistrements vocaux de personnes dans différents états émotionnels. Elles sont traitées par Transformée de Fourier et le réseau est entraîné à renvoyer l'état émotionnel de la personne enregistrée pour un échantillon donné.
Ce projet a été codé sous MatLab.
C'est une branche du Machine Learning très prometteuse. Que ce soit pour reconnaître des visages sur des images, analyser des textes et les interpréter automatiquement ou encore avoir des voitures qui conduisent toutes seules, les applications du Deep Learning sont nombreuses. Aujourd'hui, nous vous proposons un workshop qui va vous permettre de comprendre ce domaine et voir en quoi nous pourrions concretement l'utiliser.
conférence sur le thème :
Intelligence artificielle et applications
Organisée par :
Laboratoires MISI, IR2M, IIMSC et AMSAD
UNIVERSITE HASSAN 1er et FST DE SETTAT
Evénement organisé à Mehdia, Kénitra
(Complexe Hotel Kenz Mehdia)
25 et 26 décembre 2019
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
RTF est un middleware pour les MMO créé par : Franck Glinka, Alexander Ploss, Sergei Gorlatch et Jens Müller-Iden de l'université de Münster en Allemagne.
Similaire à Guillaume Chevalier - Deep learning avec tensor flow (10)
This document introduces Gabriel Le Breton, a programmer analyst and co-owner of the company TLM.ninja. It provides details about his roles as a developer, instructor, and his involvement in starting the company in 2014. It also includes information about continuous integration, continuous deployment, and diagrams illustrating the CI/CD process.
The document discusses engineering culture and its importance for a development team. It defines engineering culture as the principles that an organization or team uses to align decisions, vision, and human and technical practices. It lists key principles for engineering culture such as the importance of steps, processes, autonomy, pride, consistency, patience, communities, and collaboration. The presentation concludes by emphasizing the importance of documentation, team, and continuous evolution for developing a strong engineering culture.
This document discusses simplifying Facebook ad targeting to improve results. It recommends:
1. Trusting Facebook by specifying minimal targeting criteria like locations, ages, and gender, allowing Facebook to optimize budget allocation in real-time.
2. Grouping ad campaigns and ad sets to concentrate budget and data, having 2-3 campaigns per objective and 2-5 ad sets per campaign.
3. Choosing accurate campaign objectives like conversions or purchases to improve targeting and results.
By simplifying targeting and letting Facebook optimize, advertisers can generate better results with less work spent on daily optimizations.
Phoenix LiveView is a server-side rendering technique that uses WebSockets to deliver rich, interactive experiences to the browser. It allows building real-time web apps where the user interface is entirely driven by the server, without writing any JavaScript code. LiveView works by mounting Elixir modules to routes and rendering HTML responses, which can be efficiently updated via WebSockets in the browser as data changes.
This document provides an introduction to generative art, including its origins, current forms, uses in digital media and industry, and how to get started. It traces the roots of generative art to pioneering artists in the 1960s-70s like Sol LeWitt, Ellsworth Kelly and Kenneth Martin who created rule-based and algorithmic systems. Current generative artists featured include Tyler Hobbs, Matt Deslauriers, and Squidsoup. Examples of generative art in industry include GitHub's identicons, the city of Bologna's digital identity system, and Google Deep Dream. The document encourages viewing generative art as a way to help heal our relationship with emerging technologies.
This document discusses the environmental impact of digital technology and proposes strategies for more sustainable and responsible digital practices. It notes that digital technology currently accounts for 3-4% of global greenhouse gas emissions and that its energy consumption is doubling every 8 years. It advocates for approaches like green IT, low-tech solutions, digital sobriety, accessibility, and eco-design to reduce the various environmental impacts across the lifecycle of digital devices and services. The goal is to move towards a more sustainable digital model through both technological solutions and changes in user behavior.
Intelligence artificielle, Données massives et Internet des objets: Quels son...Web à Québec
Nous vivons dans un monde où les univers physiques et numériques sont de plus en plus imbriqués : les objets connectés et les environnements intelligents permettent de prendre le pouls des événements en temps réel, avec beaucoup de précision, et d’y réagir. La masse de données qui en résulte peut être exploitée à l’aide d’algorithmes pour y déceler des régularités qui alimentent ensuite nos décisions et orientent ensuite nos actions. La Commission de l’éthique en science et en technologie s’intéresse aux enjeux éthiques liés au déploiement des objets connectés et à l’exploitation des données massives, tant par l’entreprise privée comme par les pouvoirs publics. Quels sont ces enjeux et quels sont nos leviers pour y faire face?
So you want to be a service designer - Jamin HegemanWeb à Québec
Service design is no longer new or unknown. The practice is maturing as service design firms gain experience and organizations start to bring service design in house.
Journey maps are all the rage, and everyone is talking about designing for the end to end customer experience.
So what does it take to be a great service designer? What need do service designers address? What is the craft of service design? How might you build service design into your team? How do you scale it?
AI & the future of the political party - Colin MegillWeb à Québec
For the past six years, our team has been working on an OSS tool for citizen engagement called Polis, now in use by governments and political parties around the world. Through case studies and a brief introduction to the kinds of problems in governance which may prove to be amenable to machine learning, we’ll consider possible near and far future democratic systems inspired by advances in computing.
comment le Canada peut Gagner dans le secteur du numérique - Alex Benay Web à Québec
Les possibilités de la quatrième révolution industrielle sont infinies. Cette présentation, présentée par le dirigeant principal de l’information du Canada, portera sur la façon dont le Canada prévoit saisir les occasions d’adopter une approche de «gouvernement numérique». Il explorera les principaux succès et échecs du Canada dans le domaine du numérique et la façon dont il prévoit réimaginer sa relation de service avec les citoyens.
Rendre son équipe performante : plus simple qu'on le pense - Louis-Philippe C...Web à Québec
Le travail d’équipe est maintenant au centre de la majorité des organisations et des entreprises. Et de plus, une équipe performante devient un moteur de développement important au sein de celles-ci. Les organisations doivent cultiver le plein potentiel de leurs équipes afin de rester compétitives. Alors, que faire avec son équipe actuelle afin qu’elle devienne performante?
Au cours de cet atelier interactif, les participants découvriront par l’action le résultat de recherches qui convergent vers des évidences que nous avons tendance à oublier pour rendre nos équipes performantes.
Turning Research Ripples Into Waves: Growing UX Research Capacity Through Col...Web à Québec
Growing organizational research capacity requires both bottom-up and top-down changes that can be daunting to tackle. Hana Nagel will examine the challenge of scaling research ops through the lens of social change theory, showing how service design and systems thinking can be used to create a strategy to increase research’s impact on product. By building collaboration, connection and community, you can bring enough people together to turn research ripples into waves.
Complexité et systèmes opérables - Fred HébertWeb à Québec
Tout système utile doit nécessairement devenir complexe. Non seulement le code tourne au pire, mais la charge cognitive imposée aux opérateurs est toujours croissante. Il n’est pas suffisant de prendre une approche centrée sur la propreté du code pour que nos systèmes soient opérables : nous avons également à comprendre comment nous formons nos modèles mentaux de nos systèmes, ce qui constitue une bonne abstraction, et savoir quels états internes exposer aux observateurs.
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...OCTO Technology
par Claude Camus (Coach agile d'organisation @OCTO Technology) et Gilles Masy (Organizational Coach @OCTO Technology)
Les équipes infrastructure, sécurité, production, ou cloud, doivent consacrer du temps à la modernisation de leurs outils (automatisation, cloud, etc) et de leurs pratiques (DevOps, SRE, etc). Dans le même temps, elles doivent répondre à une avalanche croissante de demandes, tout en maintenant un niveau de qualité de service optimal.
Habitué des environnements développeurs, les transformations agiles négligent les particularités des équipes OPS. Lors de ce comptoir, nous vous partagerons notre proposition de valeur de l'agilité@OPS, qui embarquera vos équipes OPS en Classe Business (Agility), et leur fera dire : "nous ne reviendrons pas en arrière".
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Laurent Speyser
(Conférence dessinée)
Vous êtes certainement à l’origine, ou impliqué, dans un changement au sein de votre organisation. Et peut être que cela ne se passe pas aussi bien qu’attendu…
Depuis plusieurs années, je fais régulièrement le constat de l’échec de l’adoption de l’Agilité, et plus globalement de grands changements, dans les organisations. Je vais tenter de vous expliquer pourquoi ils suscitent peu d'adhésion, peu d’engagement, et ils ne tiennent pas dans le temps.
Heureusement, il existe un autre chemin. Pour l'emprunter il s'agira de cultiver l'invitation, l'intelligence collective , la mécanique des jeux, les rites de passages, .... afin que l'agilité prenne racine.
Vous repartirez de cette conférence en ayant pris du recul sur le changement tel qu‘il est généralement opéré aujourd’hui, et en ayant découvert (ou redécouvert) le seul guide valable à suivre, à mon sens, pour un changement authentique, durable, et respectueux des individus! Et en bonus, 2 ou 3 trucs pratiques!
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO Technology
En cette année 2024 qui s’annonce sous le signe de la complexité, avec :
- L’explosion de la Gen AI
-Un contexte socio-économique sous tensions
- De forts enjeux sur le Sustainable et la régulation IT
- Une archipélisation des lieux de travail post-Covid
Découvrez les Tech trends incontournables pour délivrer vos produits stratégiques.
L'IA connaît une croissance rapide et son intégration dans le domaine éducatif soulève de nombreuses questions. Aujourd'hui, nous explorerons comment les étudiants utilisent l'IA, les perceptions des enseignants à ce sujet, et les mesures possibles pour encadrer ces usages.
Constat Actuel
L'IA est de plus en plus présente dans notre quotidien, y compris dans l'éducation. Certaines universités, comme Science Po en janvier 2023, ont interdit l'utilisation de l'IA, tandis que d'autres, comme l'Université de Prague, la considèrent comme du plagiat. Cette diversité de positions souligne la nécessité urgente d'une réponse institutionnelle pour encadrer ces usages et prévenir les risques de triche et de plagiat.
Enquête Nationale
Pour mieux comprendre ces dynamiques, une enquête nationale intitulée "L'IA dans l'enseignement" a été réalisée. Les auteurs de cette enquête sont Le Sphynx (sondage) et Compilatio (fraude académique). Elle a été diffusée dans les universités de Lyon et d'Aix-Marseille entre le 21 juin et le 15 août 2023, touchant 1242 enseignants et 4443 étudiants. Les questionnaires, conçus pour étudier les usages de l'IA et les représentations de ces usages, abordaient des thèmes comme les craintes, les opportunités et l'acceptabilité.
Résultats de l'Enquête
Les résultats montrent que 55 % des étudiants utilisent l'IA de manière occasionnelle ou fréquente, contre 34 % des enseignants. Cependant, 88 % des enseignants pensent que leurs étudiants utilisent l'IA, ce qui pourrait indiquer une surestimation des usages. Les usages identifiés incluent la recherche d'informations et la rédaction de textes, bien que ces réponses ne puissent pas être cumulées dans les choix proposés.
Analyse Critique
Une analyse plus approfondie révèle que les enseignants peinent à percevoir les bénéfices de l'IA pour l'apprentissage, contrairement aux étudiants. La question de savoir si l'IA améliore les notes sans développer les compétences reste débattue. Est-ce un dopage académique ou une opportunité pour un apprentissage plus efficace ?
Acceptabilité et Éthique
L'enquête révèle que beaucoup d'étudiants jugent acceptable d'utiliser l'IA pour rédiger leurs devoirs, et même un quart des enseignants partagent cet avis. Cela pose des questions éthiques cruciales : copier-coller est-il tricher ? Utiliser l'IA sous supervision ou pour des traductions est-il acceptable ? La réponse n'est pas simple et nécessite un débat ouvert.
Propositions et Solutions
Pour encadrer ces usages, plusieurs solutions sont proposées. Plutôt que d'interdire l'IA, il est suggéré de fixer des règles pour une utilisation responsable. Des innovations pédagogiques peuvent également être explorées, comme la création de situations de concurrence professionnelle ou l'utilisation de détecteurs d'IA.
Conclusion
En conclusion, bien que l'étude présente des limites, elle souligne un besoin urgent de régulation. Une charte institutionnelle pourrait fournir un cadre pour une utilisation éthique.
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...OCTO Technology
Par Nicolas Bordier (Consultant numérique responsable @OCTO Technology) et Alaric Rougnon-Glasson (Sustainable Tech Consultant @OCTO Technology)
Sur un exemple très concret d’audit d’éco-conception de l’outil de bilan carbone C’Bilan développé par ICDC (Caisse des dépôts et consignations) nous allons expliquer en quoi l’ACV (analyse de cycle de vie) a été déterminante pour identifier les pistes d’actions pour réduire jusqu'à 82% de l’empreinte environnementale du service.
Vidéo Youtube : https://www.youtube.com/watch?v=7R8oL2P_DkU
Compte-rendu :
2. AI, ML, DL… ?
Réseaux de neurones linéaires (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
3. AI, ML, DL… ?
Réseaux de neurones linéaires (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
8. Ray Kurzweil
Directeur de l'ingénierie de
Google
Un futuriste bien connu
Sur ses 147 prédictions depuis les
années 1990, Kurzweil dit avoir
un taux d'exactitude de 86%
Selon lui, la singularité arrivera en
2029 environ
Page wiki intéressante :
https://en.wikipedia.org/wiki/Predictions_made_by_Ray_Kurzweil
9. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
15. Analogie : régression linéaire, les moindres carrés
But : créer un modèle mathématique en fonction des données.
Fonction d’objectif à minimiser :
E = Σ( (y - Y)² )
Modèle :
Y = a⋅x + b
Apprentissage itératif :
a = a - k*dE/da
b = b - k*dE/db
16. Minimiser l’erreur à la sortie du réseau:
E = Erreur quadratique totale (Mean Squared Error - MSE).
Puis, apprentissage par ajustement des poids:
Comparaison des résultats pour apprentissage
17. Plan :
y(x) = a⋅x + b
Plan d'un plan :
Avec h(x) = a⋅x + b :
y(x) = c⋅h(x) + d = c⋅(a⋅x + b) + d
y(x) = m⋅x + e
⇒ Le plan d’un plan reste un plan.
Non-linéarités
19. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
21. Une solution : ReLU
Utiliser le “Rectifier Linear Unit” (ReLU, à droite) :
22. Solution supplémentaire : Highway network
Couches de neurones “highway” avec connections résiduelles :
Simple addition entre les entrées et les sorties d’une même couche.
Permet une propagation aisée des gradients lors de la dérivation.
23. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
31. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
40. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
46. “king - man + woman = queen”
Mathématique des mots possibles et fonctionne pour :
Masculin vs féminin
Singulier vs pluriel
Changer les temps de verbes
Pays vers capitales, et l’inverse
Etc…
1 mot = 1 vecteur
47. Exemples
En pratique : cela peut être fait avec des architectures
Skip-gram ou CBOW à la seq2seq ou à la word2vec.
51. Traiter différents types de signaux
Combiner avec les CNN qui sont très utile pour des données spatiales
(CNN pas abordés dans cette présentation)
52. Applications possibles… beaucoup !
Traduction dans n’importe quelle langues (E.x.: Google Traduction)
Texte vers images, ou images vers texte (E.x.: Google Images)
Synthétisation/interprétation d’audio ou de voix (E.x.: Siri)
Systèmes de recommandation (E.x.: Netflix, Youtube)
Vision: interprétation/génération de vidéo
Prédiction des marchés boursiers pour le trading à haute fréquence
Analyse de sentiments à partir de textes (peut être combiné pour la prédiction de marchés boursiers)
Génération de texte / chatbots (E.x.: Siri? Cleverbot?)
Transfert de style visuel pour les images
55. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
56. Mécanisme d’attention
Attention (a.tɑ̃.sjɔ̃) :
« L'attention est la prise de possession par l'esprit, sous une forme claire et vive,
d'un objet ou d'une suite de pensées parmi plusieurs qui semblent possibles
[…] Elle implique le retrait de certains objets afin de traiter plus efficacement les
autres » — William James
65. AI, ML, DL… ?
Réseaux de neurones (NN)
Vers des architectures plus profondes
Réseaux de neurones récurrents (RNN)
Long Short-Term Memory cells (LSTM RNN)
Encodeurs, Décodeurs, Séquences vers séquences (seq2seq)
Autres modèles avancés
Exercices
66. TensorFlow
Graphe pour un réseau de
neurones à 2 couches avec
ReLU, pour classification.
Puis à droite, un graphe
comparatif simplifié pour
une régression linéaire.
y
MSE
y_model
x
67. Régression linéaire avec TensorFlow
import tensorflow as tf
import numpy as np
trX, trY = someTrainingData(...) # Données linéaires avec un peu de bruit
X = tf.placeholder("float") # Données d’entrée du graphe TensorFlow
Y = tf.placeholder("float")
w = tf.Variable(0.0, name="weights") # Variable modifiable pour l’apprentissage
y_model = tf.multiply(X, w)
cost = tf.square(Y - y_model) # MSE (minimiser une “loss” selon les moindres carrés)
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost) # Demander “train_op” plus tard roulera une étape d’optimisation
with tf.Session() as sess: # Rouler le graphe dans une session pour l’entrainement
tf.global_variables_initializer().run() # Initialiser les variables (ici, seulement “w”)
for i in range(100):
for (x, y) in zip(trX, trY): # Pour chaques données disponibles
sess.run(train_op, feed_dict={X: x, Y: y}) # Étape d’entrainement
prediction = sess.run(y_model, feed_dict={X: trX[0]}) # Prédiction pour le premier point d'entrainement
68. Démo et Exercices
Avec TensorFlow :
https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition
https://github.com/guillaume-chevalier/seq2seq-signal-prediction
Tout cela est aussi accessible dans le ZIP au lien drive envoyé par courriel :
https://drive.google.com/drive/folders/0B1BexDr8jCulME16NlVIN3J1akk?usp=sharing