Formation Explainability in Deep Learning: Demystifying Black-Box Models

Cette formation en direct avec instructeur à Canada (en ligne ou sur place) est destinée aux professionnels de niveau avancé qui souhaitent améliorer leur compréhension des techniques XAI pour les modèles d'IA complexes.

A l'issue de cette formation, les participants seront capables de :

• Mettre en œuvre des techniques XAI de pointe dans des modèles d'IA.
• Interpréter les modèles d'apprentissage profond et leurs décisions.
• Appliquer des méthodes avancées d'explicabilité agnostique et spécifique au modèle.
• Relever les défis liés à la transparence de l'IA dans les systèmes complexes.

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Ce cours a été conçu pour les managers, les architectes de solutions, les responsables de l'innovation, les directeurs techniques, les architectes logiciels et toute personne intéressée par une vue d'ensemble de l'intelligence artificielle appliquée et par les prévisions les plus proches concernant son développement.

This instructor-led, live training in Canada (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.

By the end of this training, participants will be able to:

• Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
• Write and understand procedural, functional, and object-oriented programming code.
• Implement machine learning techniques such as classification, clustering, and neural networks.
• Develop AI solutions using rules engines and expert systems for problem-solving.

Le réseau de neurones artificiels est un modèle de données informatiques utilisé dans le développement de systèmes Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Les réseaux de neurones artificiels Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une mise en œuvre de l'IA. Le Deep Learning est un sous-ensemble du ML.

Il s'agit d'un cours de 4 jours introduisant l'IA et ses applications. Il est possible de disposer d'une journée supplémentaire pour entreprendre un projet d'IA à l'issue de ce cours.

Il s'agit d'un cours de 4 jours introduisant l'IA et ses applications en utilisant le langage de programmation Python. Il est possible de disposer d'une journée supplémentaire pour entreprendre un projet d'IA à l'issue de ce cours.

This instructor-led, live training in Canada (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.

By the end of this training, participants will be able to:

• Understand and implement various Machine Learning algorithms.
• Prepare data and models for machine learning applications.
• Conduct post hoc analyses and visualize results effectively.
• Apply machine learning techniques to real-world, sector-specific scenarios.

Cette formation en Canada (en ligne ou sur site) s'adresse aux chercheurs et aux développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python tout en rendant le code facile à déboguer.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et mettre en œuvre des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier des algorithmes existants pour optimiser les modèles d'apprentissage profond tout en tirant parti des GPUs pour obtenir de hautes performances.

This instructor-led, live training in Canada (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.

By the end of this training, participants will be able to:

• Apply core statistical methods to pattern recognition.
• Use key models like neural networks and kernel methods for data analysis.
• Implement advanced techniques for complex problem-solving.
• Improve prediction accuracy by combining different models.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux développeurs et aux data scientists qui souhaitent apprendre les fondamentaux du Deep Reinforcement Learning en créant un agent d'apprentissage profond (Deep Learning Agent).

A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts clés de l'apprentissage profond Reinforcement Learning et être capable de le distinguer de l'apprentissage automatique.
• Appliquer des algorithmes Reinforcement Learning avancés pour résoudre des problèmes réels.
• Construire un agent d'apprentissage profond.

Type : Formation théorique avec applications décidées en amont avec les élèves sur Lasagne ou Keras selon le groupe pédagogique

Méthode pédagogique : présentation, échanges et études de cas

L’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est d’apporter à des ingénieurs ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation et donc aux principales architectures de réseau existant aujourd’hui. Si les bases mathématiques sont rappelées pendant le cours, un niveau de mathématique de type BAC+2 est recommandé pour plus de confort. Il est dans l’absolu possible de faire l’impasse sur l’axe mathématique pour ne conserver qu’une vision « système », mais cette approche limitera énormément votre compréhension du sujet.

Cette formation en direct avec instructeur en Canada (en ligne ou sur place) est destinée aux professionnels débutants qui souhaitent apprendre les bases de l'IA explicable et son rôle dans le développement de systèmes d'IA responsables.

A l'issue de cette formation, les participants seront en mesure de :

• Comprendre les concepts fondamentaux de l'IA explicable.
• Explorer l'importance de la transparence et de l'interprétabilité dans les modèles d'IA.
• Apprendre les techniques de base pour rendre les modèles d'IA explicables.
• Appliquer les techniques XAI à des modèles simples d'apprentissage automatique.

Cette formation en direct dans Canada (en ligne ou sur place) est destinée aux professionnels de niveau intermédiaire qui souhaitent appliquer les techniques de l'IA explicable pour garantir l'équité, la transparence et l'éthique des systèmes d'IA.

A l'issue de cette formation, les participants seront capables de :

• Comprendre le rôle de l'IAO dans les systèmes d'IA éthiques.
• Mettre en œuvre des techniques XAI pour détecter et atténuer les biais dans les modèles d'IA.
• Assurer la transparence des processus de prise de décision des modèles d'IA.
• Aligner le développement de l'IA sur les normes éthiques et réglementaires.

Cette formation en direct avec instructeur dans Canada (en ligne ou sur place) est destinée aux professionnels de niveau intermédiaire à avancé qui souhaitent mettre en œuvre des systèmes d'IA transparents dans des applications du monde réel.

A l'issue de cette formation, les participants seront capables de :

• Comprendre l'importance de la transparence dans les modèles d'IA.
• Mettre en œuvre des techniques XAI avancées pour interpréter des modèles complexes.
• Améliorer la transparence des modèles en utilisant SHAP, LIME et d'autres outils.
• Aborder les questions d'éthique et d'équité dans les modèles d'IA.