Formation Machine Learning en Ville de Québec

Cette formation en direct animée par un formateur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de niveau débutant qui souhaitent comprendre le concept des modèles pré-entraînés et apprendre à les appliquer pour résoudre des problèmes concrets, sans avoir à développer des modèles à partir de zéro.

À la fin de cette formation, les participants seront capables de :

• Comprendre le concept et les avantages des modèles pré-entraînés.
• Explorer différentes architectures de modèles pré-entraînés et leurs cas d'utilisation.
• Peaufiner (fine-tune) un modèle pré-entraîné pour des tâches spécifiques.
• Implémenter des modèles pré-entraînés dans de simples projets de machine learning.

Cette formation en présentiel ou en ligne, encadrée par un instructeur, à Ville de Québec s'adresse aux participants ayant divers niveaux d'expertise souhaitant exploiter la plateforme AutoML de Google pour créer des chatbots personnalisés pour diverses applications.

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

• Comprendre les fondamentaux du développement de chatbots.
• Navigation dans la Plateforme Google Cloud et accès à AutoML.
• Préparer les données pour l'entraînement des modèles de chatbots.
• Entraîner et évaluer des modèles de chatbots personnalisés à l'aide d'AutoML.
• Déployer et intégrer des chatbots sur différentes plateformes et canaux.
• Surveiller et optimiser les performances des chatbots au fil du temps.

Cette formation en direct animée par un instructeur en Ville de Québec (en ligne ou sur site) s'adresse aux développeurs d'IA de niveau intermédiaire, aux ingénieurs en apprentissage automatique et aux architectes système souhaitant optimiser leurs modèles d'IA pour un déploiement périphérique.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les défis et les exigences liés au déploiement de modèles d'IA sur des appareils périphériques.
• Appliquer des techniques de compression de modèles pour réduire la taille et la complexité des modèles d'IA.
• Utiliser des méthodes de quantification pour améliorer l'efficacité des modèles sur le matériel périphérique.
• Implémenter l'élagage et d'autres techniques d'optimisation pour améliorer les performances des modèles.
• Déployer des modèles d'IA optimisés sur divers appareils périphériques.

Cette formation en direct animée par un formateur à Ville de Québec (en ligne ou sur site) s'adresse aux développeurs de niveau intermédiaire, aux scientifiques des données et aux passionnés de technologie souhaitant acquérir des compétences pratiques pour déployer des modèles d'IA sur des appareils en périphérie, afin de répondre à diverses applications.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les principes de l'IA en périphérie et ses avantages.
• Mettre en place et configurer l'environnement de calcul en périphérie.
• Développer, former et optimiser des modèles d'IA pour un déploiement en périphérie.
• Mettre en œuvre des solutions d'IA pratiques sur des appareils en périphérie.
• Évaluer et améliorer les performances des modèles déployés en périphérie.
• Prendre en compte les considérations éthiques et de sécurité dans les applications d'IA en périphérie.

Cette formation en direct, animée par un instructeur à Ville de Québec (en ligne ou sur site), s'adresse aux ingénieurs en IA de niveau avancé et aux scientifiques des données possédant une expérience intermédiaire à avancée, qui souhaitent améliorer les performances des modèles DeepSeek, réduire la latence et déployer des solutions d'IA de manière efficiente grâce aux pratiques modernes de MLOps.

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

• Optimiser les modèles DeepSeek pour l'efficacité, la précision et la scalabilité.
• Implémenter les meilleures pratiques en matière de MLOps et de versionnage des modèles.
• Déployer les modèles DeepSeek sur des infrastructures cloud et locales.
• Surveiller, maintenir et mettre à l'échelle efficacement les solutions d'IA.

MLOps sur Kubernetes est un cadre de travail visant à automatiser l'entraînement, la validation, l'emballage et le déploiement de modèles d'apprentissage automatique à l'aide de pipelines conteneurisés et de flux de travail GitOps.

Cette formation en présentiel ou en ligne, animée par un formateur, s'adresse aux praticiens de niveau intermédiaire souhaitant concevoir des pipelines MLOps automatisés et évolutifs sur Kubernetes.

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

• Concevoir des pipelines CI/CD de bout en bout pour l'apprentissage automatique.
• Mettre en œuvre des flux de travail GitOps pour le déploiement et la gestion des versions des modèles.
• Automatiser l'entraînement, les tests et l'emballage des modèles ML.
• Intégrer des stratégies de surveillance, d'alerte et de retour en arrière (rollback).

Format de la formation

• Présentations guidées par un formateur et analyses techniques approfondies.
• Exerciques pratiques permettant de construire des workflows CI/CD réalistes.
• Pratique en laboratoire pour décharger des charges de travail ML sur Kubernetes.

Options de personnalisation de la formation

• Les organisations peuvent demander du contenu sur mesure aligné sur leurs outils et infrastructure MLOps internes.

Kubeflow est une plateforme open source conçue pour simplifier la création, l'entraînement et le déploiement de charges de travail d'apprentissage automatique (ML) sur Kubernetes.

Cette formation en direct, animée par un instructeur (en ligne ou sur site), s'adresse aux professionnels de niveau débutant à intermédiaire souhaitant concevoir des workflows ML fiables à l'aide de Kubeflow.

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

• Naviguer dans l'écosystème de Kubeflow et comprendre ses composants principaux.
• Créer des workflows reproductibles avec Kubeflow Pipelines.
• Exécuter des travaux d'entraînement évolutifs sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique à l'aide de Kubeflow Serving.

Format de la formation

• Présentations guidées et discussions collaboratives.
• Travaux pratiques avec des composants réels de Kubeflow.
• Exercices concrets pour construire des workflows ML de bout en bout.

Options de personnalisation de la formation

• Des versions personnalisées de cette formation peuvent être organisées pour s'aligner sur la pile technologique de votre équipe et les exigences de vos projets.

TinyML désigne le déploiement de modèles d'apprentissage automatique optimisés sur des appareils edge aux ressources limitées.

Cette formation animée par un instructeur (en ligne ou sur site) s'adresse aux professionnels techniques avancés qui souhaitent concevoir, optimiser et déployer des pipelines TinyML complets.

À la fin de cette formation, les participants apprendront à :

• Collecter, préparer et gérer des ensembles de données pour des applications TinyML.
• Entraîner et optimiser des modèles pour des microcontrôleurs à faible consommation.
• Convertir des modèles en formats légers adaptés aux appareils edge.
• Déployer, tester et surveiller des applications TinyML dans des environnements matériels réels.

Format du cours

• Conférences guidées par l'instructeur et discussions techniques.
• Laboratoires pratiques et expérimentations itératives.
• Déploiement concret sur des plateformes à base de microcontrôleurs.

Options de personnalisation du cours

• Pour personnaliser la formation avec des toolchains spécifiques, des cartes matérielles ou des flux de travail internes, veuillez nous contacter pour en convenir.

Cette formation en présentiel ou à distance, animée par un instructeur, s'adresse aux développeurs de niveau intermédiaire, aux data scientists et aux praticiens de l'IA souhaitant tirer parti de TensorFlow Lite pour des applications Edge AI.

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

• Comprendre les principes fondamentaux de TensorFlow Lite et son rôle dans l'Edge AI.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils edge.
• Utiliser des outils et techniques pour la conversion et l'optimisation des modèles.
• Mettre en œuvre des applications Edge AI pratiques en utilisant TensorFlow Lite.

Cette formation en direct, animée par un formateur, à Ville de Québec (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant maîtriser les technologies sous-jacentes aux systèmes autonomes.

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

• Concevoir et implémenter des modèles d'IA pour la prise de décision autonome.
• Développer des algorithmes de contrôle pour la navigation autonome et l'évitement d'obstacles.
• Garantir la sécurité et la fiabilité des systèmes autonomes alimentés par l'IA.
• Intégrer des systèmes autonomes avec les frameworks existants de robotique et d'IA.

Cette formation en direct, animée par un instructeur, en Ville de Québec (en ligne ou en présentiel), s'adresse aux professionnels de niveau avancé souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués avec Google Colab.

À la fin de cette formation, les participants seront en mesure de :

• Créer et entraîner des réseaux neuronaux convolutifs (CNN) avec TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles évolutif et efficace dans le cloud.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

TinyML est une approche consistant à déployer des modèles d'apprentissage automatique sur des appareils à faible consommation et aux ressources limitées, fonctionnant au niveau de la périphérie du réseau.

Cette formation en direct animée par un formateur (en ligne ou sur place) s'adresse aux professionnels de niveau avancé souhaitant sécuriser les pipelines TinyML et mettre en œuvre des techniques préservant la confidentialité dans les applications d'IA en périphérie.

À l'issue de ce cours, les participants seront en mesure de :

• Identifier les risques de sécurité spécifiques à l'inférence TinyML sur les appareils.
• Mettre en œuvre des mécanismes préservant la confidentialité pour les déploiements d'IA en périphérie.
• Durcir les modèles TinyML et les systèmes embarqués contre les menaces adversariales.
• Appliquer les meilleures pratiques pour la gestion sécurisée des données dans des environnements contraints.

Format du cours

• Conférences engageantes soutenues par des discussions animées par des experts.
• Exercices pratiques mettant l'accent sur des scénarios de menace réalistes.
• Mise en œuvre concrète à l'aide d'outils de sécurité embarquée et de TinyML.

Options de personnalisation du cours

• Les organisations peuvent demander une version adaptée de cette formation pour l'aligner sur leurs exigences spécifiques en matière de sécurité et de conformité.

Cette formation en direct, animée par un formateur en <lieu> (en ligne ou sur site), s'adresse aux professionnels de niveau avancé qui souhaitent approfondir leurs connaissances sur les modèles d'apprentissage automatique, améliorer leurs compétences en réglage des hyperparamètres et apprendre à déployer efficacement des modèles à l'aide de Google Colab.

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

• Implémenter des modèles d'apprentissage automatique avancés à l'aide de frameworks populaires tels que Scikit-learn et TensorFlow.
• Optimiser les performances des modèles par le réglage des hyperparamètres.
• Déployer des modèles d'apprentissage automatique dans des applications réelles en utilisant Google Colab.
• Collaborer et gérer des projets d'apprentissage automatique à grande échelle dans Google Colab.

Cette formation en direct animée par un instructeur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire souhaitant appliquer des techniques d'IA pour optimiser la gestion du rendement dans la fabrication de semi-conducteurs.

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

• Analyser les données de production pour identifier les facteurs influant sur les taux de rendement.
• Mettre en œuvre des algorithmes d'IA pour améliorer les processus de gestion du rendement.
• Optimiser les paramètres de production pour réduire les défauts et améliorer les rendements.
• Intégrer la gestion du rendement pilotée par l'IA dans les flux de travail de production existants.

Cette formation en direct animée par un instructeur en Ville de Québec (en ligne ou en présentiel) s'adresse aux professionnels des entreprises et de l'IA de niveau intermédiaire qui souhaitent appliquer l'apprentissage automatique aux entreprises, à la prévision et aux systèmes pilotés par l'IA à l'aide d'études de cas réelles et d'outils basés sur Python.

À la fin de cette formation, les participants seront capables :

• De comprendre comment l'apprentissage automatique s'insère dans l'IA et la stratégie commerciale.
• D'appliquer les techniques d'apprentissage supervisé et non supervisé à des problèmes commerciaux structurés.
• De prétraiter et de transformer les données pour la modélisation.
• D'utiliser des réseaux neuronaux pour les tâches de classification et de prédiction.
• D'effectuer des prévisions de ventes en utilisant des méthodes statistiques et basées sur l'AM.
• D'implémenter la segmentation par regroupement et l'extraction de règles d'association pour la segmentation client et la découverte de motifs.

Cette formation en direct dirigée par un instructeur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire souhaitant appliquer des techniques de maintenance prédictive basées sur l'IA dans la fabrication de semi-conducteurs pour améliorer l'efficacité de la production et réduire les pannes d'équipement inattendues.

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

• Mettre en œuvre des modèles d'IA pour prédire les pannes d'équipement dans la fabrication de semi-conducteurs.
• Analyser les données de maintenance pour identifier des schémas et des tendances indiquant des problèmes potentiels.
• Intégrer la maintenance prédictive pilotée par l'IA dans les flux de travail de fabrication existants.
• Réduire les temps d'arrêt et les coûts de maintenance grâce à une gestion proactive de l'équipement.

Cette formation en direct animée par un instructeur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de niveau avancé souhaitant appliquer des techniques d'IA de pointe à l'automatisation de la conception de semi-conducteurs, améliorant ainsi l'efficacité, la précision et l'innovation dans la conception et la vérification des semi-conducteurs.

À la fin de cette formation, les participants seront capables de :

• Appliquer des techniques d'IA avancées pour optimiser les processus de conception de semi-conducteurs.
• Intégrer des modèles d'apprentissage automatique dans les outils CAO pour améliorer la vérification de conception.
• Développer des solutions basées sur l'IA pour relever les défis complexes de conception en fabrication de semi-conducteurs.
• Tirer parti des réseaux neuronaux pour améliorer la précision et la vitesse de l'automatisation de la conception.

Cette formation en direct animée par un instructeur à Ville de Québec (en ligne ou en présentiel) s'adresse aux data scientists et développeurs de niveau intermédiaire qui souhaitent comprendre et appliquer des techniques d'apprentissage profond en utilisant l'environnement Google Colab.

À la fin de cette formation, les participants seront en mesure de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond à l'aide de TensorFlow.
• Entraîner et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct dirigée par un instructeur à Ville de Québec (en ligne ou en présentiel) s'adresse aux professionnels de niveau intermédiaire souhaitant comprendre et appliquer des techniques d'IA pour optimiser les processus de fabrication des semi-conducteurs.

À la fin de cette formation, les participants seront capables de :

• Comprendre les méthodologies de l'IA pour l'optimisation des processus dans la fabrication de puces.
• Mettre en œuvre des modèles d'IA pour améliorer le rendement et réduire les défauts.
• Analyser les données de processus pour identifier les paramètres clés à optimiser.
• Appliquer des techniques d'apprentissage automatique pour ajuster finement les processus de fabrication des semi-conducteurs.

Cette formation en direct dirigée par un instructeur à Ville de Québec (en ligne ou en présentiel) s'adresse à des participants de niveau intermédiaire souhaitant automatiser et gérer des flux de travail d'apprentissage automatique, y compris l'entraînement, la validation et le déploiement de modèles à l'aide d'Apache Airflow.

À la fin de cette formation, les participants seront capables de :

• Configurer Apache Airflow pour l'orchestration de flux de travail d'apprentissage automatique.
• Automatiser le prétraitement des données, l'entraînement des modèles et les tâches de validation.
• Intégrer Airflow avec des frameworks et des outils d'apprentissage automatique.
• Déployer des modèles d'apprentissage automatique à l'aide de pipelines automatisés.
• Surveiller et optimiser les flux de travail d'apprentissage automatique en environnement de production.

Cette formation en direct dirigée par un instructeur à <lieu> (en ligne ou sur site) s'adresse aux data scientists et développeurs de niveau intermédiaire qui souhaitent appliquer efficacement des algorithmes d'apprentissage automatique à l'aide de l'environnement Google Colab.

À la fin de cette formation, les participants seront en mesure de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage automatique.
• Comprendre et appliquer divers algorithmes d'apprentissage automatique.
• Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire des données.
• Mettre en œuvre des modèles d'apprentissage supervisé et non supervisé.
• Optimiser et évaluer efficacement les modèles d'apprentissage automatique.

Le TinyML consiste à déployer des modèles d'apprentissage automatique sur du matériel aux ressources fortement contraintes.

Cette formation animée par un instructeur (en ligne ou en présentiel) s'adresse aux praticiens avancés qui souhaitent optimiser les modèles TinyML pour un déploiement à faible latence et économe en mémoire sur des appareils embarqués.

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

• Appliquer des techniques de quantification, d'élagueage (pruning) et de compression pour réduire la taille des modèles sans compromettre la précision.
• Évaluer les performances des modèles TinyML en termes de latence, de consommation mémoire et d'efficacité énergétique.
• Mettre en œuvre des pipelines d'inférence optimisés sur des microcontrôleurs et des appareils périphériques (edge).
• Évaluer les compromis entre performance, précision et contraintes matérielles.

Format de la formation

• Présentations animées par un instructeur, appuyées par des démonstrations techniques.
• Exercices pratiques d'optimisation et tests comparatifs de performance.
• Mise en œuvre pratique de pipelines TinyML dans un environnement de laboratoire contrôlé.

Options de personnalisation de la formation

• Pour une formation sur mesure alignée sur des plateformes matérielles spécifiques ou des flux de travail internes, veuillez nous contacter pour personnaliser le programme.

Cette formation en direct, animée par un formateur à Ville de Québec (en ligne ou sur site), s'adresse à des professionnels de niveau avancé souhaitant explorer les techniques de pointe en matière d'IA explicable (XAI) pour les modèles d'apprentissage profond, avec un accent particulier sur la création de systèmes d'IA interprétables.

À la fin de cette formation, les participants seront capables de :

• Comprendre les défis liés à l'explicabilité dans l'apprentissage profond.
• Mettre en œuvre des techniques d'IA explicable avancées pour les réseaux de neurones.
• Interpréter les décisions prises par les modèles d'apprentissage profond.
• Évaluer les compromis entre performance et transparence.

Cette formation en direct, dispensée par un formateur, en Ville de Québec (en ligne ou sur site), s'adresse aux professionnels de niveau débutant qui souhaitent comprendre et appliquer les technologies de l'IA au sein de l'industrie de la fabrication de semi-conducteurs.

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

• Comprendre les principes fondamentaux de l'IA et leur application dans la fabrication de semi-conducteurs.
• Identifier les domaines de la fabrication de semi-conducteurs où l'IA peut être efficacement mise en œuvre.
• Utiliser des outils et des techniques d'IA pour améliorer l'efficacité de la production et le contrôle de la qualité.
• Mettre en œuvre des modèles d'IA de base pour optimiser les processus de fabrication.

Docker est une plateforme de conteneurisation utilisée pour créer des environnements reproductibles, portables et évolutifs pour les systèmes de ML.

Cette formation dirigée par un instructeur (en ligne ou en présentiel) s'adresse aux professionnels techniques de niveau intermédiaire à avancé qui souhaitent conteneuriser et opérationnaliser des pipelines ML complets à l'aide de Docker.

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

• Conteneuriser les charges de travail de formation, de validation et d'inférence du ML.
• Concevoir et orchestrer des pipelines ML de bout en bout en utilisant Docker et des outils compatibles.
• Mettre en œuvre le versionnement, la reproductibilité et les pipelines CI/CD pour les composants ML.
• Déployer, surveiller et mettre à l'échelle des services ML dans des environnements conteneurisés.

Format du cours

• Conférences interactives soutenues par des démonstrations pratiques.
• Exercices pratiques axés sur la création de composants réels de pipelines ML.
• Mise en œuvre en laboratoire en direct pour les workflows conteneurisés de bout en bout.

Options de personnalisation du cours

• Pour une formation personnalisée adaptée à des besoins spécifiques d'infrastructure ML, veuillez nous contacter afin de discuter des options.

Cette formation en direct, animée par un instructeur en Ville de Québec (en ligne ou en présentiel), s'adresse aux scientifiques des données et aux développeurs qui souhaitent utiliser des modèles d'apprentissage automatique ML.NET pour dériver automatiquement des projections à partir d'analyses de données exécutées pour des applications d'entreprise.

À la fin de cette formation, les participants seront capables :

• D'installer ML.NET et de l'intégrer dans l'environnement de développement d'applications.
• De comprendre les principes de l'apprentissage automatique sous-jacents aux outils et algorithmes de ML.NET.
• De créer et d'entraîner des modèles d'apprentissage automatique pour effectuer des prédictions de manière intelligente avec les données fournies.
• D'évaluer les performances d'un modèle d'apprentissage automatique en utilisant les métriques de ML.NET.
• D'optimiser la précision des modèles d'apprentissage automatique existants en se basant sur le cadre de travail ML.NET.
• D'appliquer les concepts d'apprentissage automatique de ML.NET à d'autres applications de science des données.

Cette formation en direct animée par un formateur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels des données de niveau intermédiaire qui souhaitent appliquer des techniques d'apprentissage automatique à des problèmes commerciaux axés sur les données, y compris la prévision des ventes et la modélisation prédictive à l'aide de réseaux neuronaux.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les concepts fondamentaux et les types d'apprentissage automatique.
• Appliquer des algorithmes clés pour la classification, la régression, le regroupement et l'analyse des associations.
• Effectuer une analyse exploratoire des données et la préparation des données en utilisant Python.
• Utiliser des réseaux neuronaux pour des tâches de modélisation non linéaire.
• Mettre en œuvre l'analyse prédictive pour la prévision commerciale, y compris les données de ventes.
• Évaluer et optimiser la performance des modèles à l'aide de techniques visuelles et statistiques.

Cette formation en direct, animée par un formateur à Ville de Québec (en ligne ou en présentiel), s'adresse aux scientifiques des données, ingénieurs en apprentissage automatique, chercheurs en apprentissage profond et experts en vision par ordinateur de niveau intermédiaire à avancé souhaitant élargir leurs connaissances et compétences dans le domaine de la génération d'images à partir de texte.

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

• Comprendre les architectures et techniques avancées d'apprentissage profond pour la génération d'images à partir de texte.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et la scalabilité pour de grands ensembles de données et des modèles complexes.
• Ajuster les hyperparamètres afin d'améliorer les performances du modèle et sa capacité de généralisation.
• Intégrer Stable Diffusion avec d'autres frameworks et outils d'apprentissage profond

Cette formation en direct, animée par un formateur à Ville de Québec (en ligne ou en présentiel), s'adresse aux professionnels de la cybersécurité de niveau intermédiaire à avancé qui souhaitent perfectionner leurs compétences en matière de détection des menaces et de réponse aux incidents grâce à l'IA.

À la fin de cette formation, les participants seront capables de :

• Mettre en œuvre des algorithmes d'IA avancés pour la détection des menaces en temps réel.
• Personnaliser les modèles d'IA pour répondre à des défis spécifiques de la cybersécurité.
• Développer des flux de travail automatisés pour la réponse aux menaces.
• Sécuriser les outils de sécurité alimentés par l'IA contre les attaques adversariales.

Cette formation en direct, encadrée par un formateur à Ville de Québec (en ligne ou sur site), s'adresse aux ingénieurs en systèmes embarqués et aux développeurs d'IA de niveau intermédiaire souhaitant déployer des modèles d'apprentissage automatique sur des microcontrôleurs à l'aide de TensorFlow Lite et Edge Impulse.

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

• Comprendre les fondamentaux de TinyML et ses avantages pour les applications d'IA edge.
• Mettre en place un environnement de développement pour les projets TinyML.
• Entraîner, optimiser et déployer des modèles d'IA sur des microcontrôleurs à faible consommation.
• Utiliser TensorFlow Lite et Edge Impulse pour mettre en œuvre des applications TinyML réelles.
• Optimiser les modèles d'IA pour l'efficacité énergétique et les contraintes de mémoire.

Cette formation en direct, animée par un instructeur en Ville de Québec (en ligne ou sur place), s'adresse aux professionnels de la cybersécurité de niveau débutant souhaitant apprendre à exploiter l'IA pour améliorer leurs capacités de détection et de réponse aux menaces.

À la fin de cette formation, les participants seront capables de :

• Comprendre les applications de l'IA dans la cybersécurité.
• Implémenter des algorithmes d'IA pour la détection des menaces.
• Automatiser la réponse aux incidents avec des outils d'IA.
• Intégrer l'IA dans l'infrastructure de cybersécurité existante.

Cette formation en présentiel ou à distance, animée par un formateur, s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser les modèles générés par AlphaFold comme guides dans leurs études expérimentales.

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

• Comprendre les principes de base d'AlphaFold.
• Apprendre comment fonctionne AlphaFold.
• Apprendre à interpréter les prédictions et les résultats d'AlphaFold.

Cette formation en présentiel ou à distance, dirigée par un instructeur à Ville de Québec, s'adresse aux analystes de données de niveau intermédiaire qui souhaitent apprendre à utiliser RapidMiner pour estimer et projeter des valeurs et utiliser des outils analytiques pour la prévision de séries chronologiques.

À la fin de cette formation, les participants seront en mesure de :

• Apprendre à appliquer la méthodologie CRISP-DM, à sélectionner des algorithmes d'apprentissage automatique appropriés et à améliorer la construction et les performances des modèles.
• Utiliser RapidMiner pour estimer et projeter des valeurs, et exploiter des outils analytiques pour la prévision de séries chronologiques.

Cette formation en présentiel ou en ligne, animée par un instructeur, s'adresse aux data scientists, ingénieurs en apprentissage automatique et chercheurs en vision par ordinateur souhaitant exploiter Stable Diffusion pour générer des images de haute qualité à l'intention de divers cas d'utilisation.

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

• Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
• Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
• Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la translation d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

Cette formation en direct, dirigée par un formateur, à Ville de Québec (en ligne ou sur site), s'adresse aux ingénieurs et aux scientifiques des données débutants qui souhaitent comprendre les fondamentaux de la TinyML, explorer ses applications et déployer des modèles d'IA sur des microcontrôleurs.

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

• Comprendre les fondamentaux de la TinyML et son importance.
• Déployer des modèles d'IA légers sur des microcontrôleurs et des dispositifs edge.
• Optimiser et affiner les modèles de machine learning pour une consommation d'énergie réduite.
• Appliquer la TinyML à des cas d'utilisation réels tels que la reconnaissance de gestes, la détection d'anomalies et le traitement audio.

Ce cours vise à développer des compétences générales dans l’application pratique des méthodes d’apprentissage automatique. Grâce à l’utilisation du langage de programmation Python et de ses nombreuses bibliothèques, et basé sur de nombreux exemples concrets, ce cours enseigne comment utiliser les éléments fondamentaux de l’apprentissage automatique, comment prendre des décisions de modélisation des données, interpréter les sorties des algorithmes et valider les résultats.

Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser avec confiance les outils les plus essentiels de la boîte à outils de l’apprentissage automatique, tout en évitant les pièges courants des applications en science des données.

Applied AI from Scratch in Python offre aux programmeurs et aux analystes de données les techniques fondamentales pour concevoir des solutions d'apprentissage automatique en partant de zéro avec Python. Il couvre les principes de base de l'apprentissage supervisé (classification et régression), de l'apprentissage non supervisé (clustering et détection d'anomalies), ainsi que des architectures avancées de réseaux neuronaux. Le cours examine des méthodes éprouvées pour travailler avec scikit-learn, Apache Spark MLlib et les blocs-notes Jupyter afin de développer l'IA de manière pratique. Il aide les professionnels à implémenter des modèles ML concrets, à évaluer les limites des algorithmes et à réaliser des projets appliqués pour résoudre des problèmes réels.

L'apprentissage par renforcement profond (DRL) combine les principes de l'apprentissage par renforcement avec des architectures d'apprentissage profond pour permettre aux agents de prendre des décisions grâce à leur interaction avec leur environnement. Il sous-tend de nombreuses avancées modernes en IA, telles que les véhicules autonomes, le contrôle robotique, le trading algorithmique et les systèmes de recommandation adaptatifs. Le DRL permet à un agent artificiel d'apprendre des stratégies, d'optimiser des politiques et de prendre des décisions autonomes basées sur l'essai et l'erreur, en utilisant un apprentissage par récompense.

Cette formation dirigée par un instructeur (en ligne ou sur site) s'adresse aux développeurs et aux scientifiques des données de niveau intermédiaire souhaitant apprendre et appliquer les techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Implémenter des algorithmes RL clés, notamment Q-Learning, les gradients de politique et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond en utilisant TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Dépanner, visualiser et optimiser les performances d'entraînement à l'aide d'outils modernes.

Format du cours

• Conférence interactive et discussion guidée.
• Exercices pratiques et implémentations concrètes.
• Démonstrations de codage en direct et applications basées sur des projets.

Options de personnalisation du cours

• Pour demander une version personnalisée de ce cours (par exemple, en utilisant PyTorch au lieu de TensorFlow), veuillez nous contacter pour en convenir.

Explorer les fondamentaux de l'intelligence artificielle révèle comment la technologie intelligente transforme la stratégie numérique, l'automatisation et la prise de décision au sein des opérations d'entreprise. Cet examen couvre les concepts clés de l'histoire de l'IA, les cadres de résolution de problèmes, la représentation des connaissances, le raisonnement en contexte d'incertitude, et les paradigmes d'apprentissage automatique, ainsi que la communication, la perception et l'action autonome. Il guide les dirigeants et les architectes dans l'évaluation des opportunités de transformation par l'IA, l'analyse des tendances émergentes en technologie, et l'intégration de solutions intelligentes pratiques pour accélérer l'agilité des affaires.

Ce cours porte sur l'IA (en mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans le secteur automobile. Il permet de déterminer quelles technologies peuvent (éventuellement) être utilisées dans divers scénarios au sein d'un véhicule : de l'automatisation basique à la reconnaissance d'images, en passant par la prise de décision autonome.

Ce programme de 8 jours offre un parcours complet, allant de solides bases en ingénierie Python à la conception avancée de systèmes d'IA. Les participants développent des pratiques de codage disciplinées, maîtrisent les méthodes d'apprentissage statistique et profond, et construisent des systèmes d'IA générative et à base d'agents prêts pour la production. L'accent est mis sur la fiabilité, l'évaluation, la sécurité et le déploiement en environnement réel, plutôt que sur la simple expérimentation.

Un réseau neuronal artificiel (RNA) est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux neuronaux sont couramment employés dans les applications d'apprentissage automatique (ML), qui constituent l'une des implémentations de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

 Accroissez votre expertise en science des données grâce à ce cours complet d'apprentissage automatique couvrant les algorithmes fondamentaux tels que Naive Bayes, les arbres de décision, les réseaux de neurones, les machines à vecteurs de support et les techniques de regroupement. Bénéficiez d'une expérience pratique fondée sur des bases théoriques et appliquée à des exemples concrets. Idéal pour les analystes de données, les ingénieurs logiciels, les passionnés d'IA et les professionnels des affaires souhaitant mettre en œuvre des solutions d'apprentissage automatique. Maîtrisez les métriques de performance de classification, la validation croisée, le compromis biais-variance et les fondements de l'apprentissage profond afin de construire des modèles prédictifs robustes.

Ce cours en direct, animé par un formateur à Ville de Québec (en ligne ou en présentiel), offre une introduction au domaine de la reconnaissance de motifs et de l'apprentissage automatique. Il aborde des applications pratiques en statistiques, en informatique, en traitement du signal, en vision par ordinateur, en fouille de données et en bio-informatique.

À la fin de cette formation, les participants seront capables de :

• Appliquer les méthodes statistiques fondamentales à la reconnaissance de motifs.
• Utiliser des modèles clés tels que les réseaux neuronaux et les méthodes noyau pour l'analyse de données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prévisions en combinant différents modèles.

Cette formation animée par un instructeur en Ville de Québec (en ligne ou en présentiel) s'adresse aux scientifiques des données qui souhaitent utiliser TensorFlow pour analyser des données potentielles de fraude.

À la fin de cette formation, les participants seront capables de :

• Créer un modèle de détection de la fraude en Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'intelligence artificielle de bout en bout pour l'analyse des données de fraude.

L'apprentissage automatique (machine learning) est une branche de l'intelligence artificielle qui permet aux ordinateurs d'apprendre sans être explicitement programmés.

L'apprentissage en profondeur (deep learning) est un sous-domaine de l'apprentissage automatique qui utilise des méthodes fondées sur l'apprentissage de représentations et de structures de données, telles que les réseaux de neurones.

Python est un langage de programmation de haut niveau reconnu pour sa syntaxe claire et la lisibilité de son code.

Dans le cadre de cette formation pratique encadrée par un formateur, les participants apprendront à mettre en œuvre des modèles d'apprentissage en profondeur pour le secteur des télécommunications en réalisant pas à pas la création d'un modèle de prédiction du risque de crédit basé sur l'apprentissage en profondeur.

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

• Comprendre les concepts fondamentaux de l'apprentissage en profondeur.
• Appréhender les applications et les utilisations de l'apprentissage en profondeur dans les télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage en profondeur adaptés aux télécommunications.
• Concevoir leur propre modèle de prédiction du désabonnement (churn) basé sur l'apprentissage en profondeur en utilisant Python.

Format de la formation

• Cours interactif et discussions.
• De nombreux exercices et mises en pratique.
• Implémentation concrète dans un environnement de laboratoire en direct.

Options de personnalisation de la formation

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter afin de convenir des détails.

Cette formation pratique dirigée par un instructeur est conçue comme une suite logique du cours Python pour l'analyse des données.

Elle présente aux participants les concepts fondamentaux de l'apprentissage automatique et montre comment ils peuvent être appliqués directement à des tâches d'analyse de données telles que la prédiction, la classification et la segmentation.

L'accent est mis sur la compréhension du fonctionnement de l'apprentissage automatique en pratique, en utilisant des outils familiers tels que Python, Pandas et Jupyter Notebook, sans nécessiter de connaissances mathématiques avancées.

Cette formation animée par un instructeur dans <lieu> (en ligne ou en présentiel) s'adresse aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui afin de prendre une décision éclairée concernant l'adoption du MLOps au sein de leur organisation.

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

• Installer et configurer divers cadres et outils MLOps.
• Constituer la bonne équipe avec les compétences nécessaires pour construire et maintenir un système MLOps.
• Préparer, valider et versionner les données pour les utiliser dans des modèles de ML.
• Comprendre les composants d'un pipeline ML et les outils requis pour en construire un.
• Expérimenter différents cadres de machine learning et serveurs pour le déploiement en production.
• Industrialiser l'ensemble du processus de machine learning pour qu'il soit reproductible et maintenable.

Cette formation en direct, animée par un instructeur à <lieu> (en ligne ou sur site), s'adresse aux analystes de données et aux développeurs de niveau intermédiaire, ainsi qu'aux futurs scientifiques des données qui souhaitent appliquer des techniques d'apprentissage automatique en Python pour extraire des informations, effectuer des prédictions et automatiser des décisions basées sur les données.

À la fin de ce cours, les participants seront en mesure de :

• Comprendre et distinguer les principaux paradigmes de l'apprentissage automatique.
• Explorer les techniques de prétraitement des données et les métriques d'évaluation des modèles.
• Appliquer des algorithmes d'apprentissage automatique pour résoudre des problèmes de données concrets.
• Utiliser les bibliothèques Python et les cahiers Jupyter pour le développement pratique.
• Construire des modèles pour la prédiction, la classification, la recommandation et le regroupement.

Cette formation en direct animée par un formateur en Ville de Québec (en ligne ou sur site) s'adresse aux développeurs et aux data scientists qui souhaitent utiliser Tensorflow 2.x pour créer des prédicteurs, des classificateurs, des modèles génératifs, des réseaux de neurones, etc.

À la fin de cette formation, les participants seront en mesure de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond sur le cloud, les appareils mobiles et les dispositifs IoT.

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux neuronaux et, plus généralement, sur les algorithmes d'apprentissage automatique, l'apprentissage profond (algorithmes et applications).

La partie 1 (40 %) de cette formation se concentre davantage sur les fondamentaux, mais vous aidera à choisir la bonne technologie : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20 %) de cette formation présente Theano, une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40 %) de la formation sera largement basée sur TensorFlow, l'API de la bibliothèque open source de Google dédiée à l'apprentissage profond. Tous les exemples et ateliers pratiques seront réalisés dans TensorFlow.

Audience

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

À l'issue de ce cours, les participants seront en mesure de :

• avoir une bonne compréhension des réseaux neuronaux profonds (DNN), des CNN et des RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être en mesure d'effectuer les tâches d'installation, de configuration de l'environnement de production et d'architecture
• être en mesure d'évaluer la qualité du code, de déboguer et de surveiller
• être en mesure de mettre en œuvre des fonctions avancées de production telles que l'entraînement de modèles, la construction de graphes et la journalisation