Aller à la navigation principale Aller au contenu Aller à la navigation de bas de page
Répertoire spécifique

Intelligence artificielle : de l'apprentissage statistique au traitement des données

Inactive

N° de fiche
RS5182
Code(s) NSF :
  • 326t : Programmation, mise en place de logiciels
  • 326 : Informatique, traitement de l'information, réseaux de transmission
Formacode(s) :
  • 11050 : Mathématiques informatiques
Date d’échéance de l’enregistrement : 29-05-2023
Nom légal SIRET Nom commercial Site internet
INSTITUT MINES TELECOM - TELECOM PARIS 18009202500162 Télecom EVolution https://www.telecom-evolution.fr
ECOLE NATIONALE SUPERIEURE DE TECHNIQUES AVANCEES 19750003600029 - -
Objectifs et contexte de la certification :

Ces dernières années ont vu s’accélérer considérablement des progrès réalisés dans les domaines de la vision par ordinateur, de la reconnaissance vocale ou encore de la recherche automatique d’information. Une machine réalise automatiquement une tâche au moyen d’un programme «appris» en résolvant la version statistique d’un problème d’optimisation, à partir de données relatives à un grand nombre d’observations. La disponibilité d’exemples que la machine peut elle-même solliciter dans certains cas pour mieux apprendre, stockés sous forme de bases de mégadonnées et offrant une description quasi exhaustive de la variabilité du phénomène à analyser, combinée à la puissance de calcul des clusters d’ordinateurs modernes, a permis de rendre véritablement effectives des méthodes d’apprentissage statistique. Ces méthodes sont aujourd’hui à l’œuvre dans de nombreux «systèmes intelligents», pour des domaines aussi variés que la biométrie, le véhicule à délégation partielle, le diagnostic médical automatique, les moteurs de recommandation associés aux sites Web commerciaux ou les assistants virtuels. L'ère du big data et de l’intelligence artificielle généralisée a, donc, débuté grâce aux briques technologiques modernes qui nous permettent désormais de stocker et traiter de façon automatisée, dans des temps très courts, des données massives de nature et format divers. L’ensemble de ces éléments ont fait naître de nouvelles compétences. 

Cette certification aborde les différentes composantes de l'intelligence artificielle : l’apprentissage statistique (machine Learning, deep learning), le traitement de données massives (image, parole, etc.) et la robotique avec les objectifs suivants :

  • Employer les méthodes avancées d’apprentissage statistique pour résoudre des problématiques d’intelligence artificielle
  • Utiliser les réseaux de neurones et les architectures associées
  • Concevoir et analyser des expériences pour évaluer les systèmes HRI (Interaction Homme – Robot)
  • Mettre en œuvre des méthodes d’apprentissage profond en s’appuyant sur des bibliothèques logicielles
Compétences attestées :

C1- Utiliser des méthodes statistiques à grande échelle lors de projets afin de résoudre des problématiques d’intelligence artificielle en utilisant des techniques évolutives adaptées 

C2- Analyser la place de l’Intelligence Artificielle et de la science de données au sein des enjeux sociétaux 

C3- Utiliser les réseaux de neurones dans les méthodes d’apprentissage profond afin de modéliser et d’optimiser le traitement de l’information 

C4-Déterminer les différents types de familles logiques grâce à des outils adaptés afin de résoudre des problèmes 

C5-Déterminer les principes fondamentaux de l’interaction homme-robot grâce à des méthodes afin de développer l’apprentissage par renforcement 

C6- Identifier les différents modèles graphiques probabilistes afin de les utiliser dans des applications statistiques en grande dimension 

C7- Intégrer les méthodes de l’Intelligence Artificielle dans un système audio cible en prenant en considération les évolutions du système 

C8-Mettre en œuvre les techniques de représentation d’une image numérique afin de déterminer les enjeux et les limites de la vision par ordinateur 

C9- Proposer une modélisation utilisant les différentes méthodes de traitement de la langue et d'apprentissage automatique sous-jacentes à l'analyse des textes

Modalités d'évaluation :

L'évaluation se base sur plusieurs modalités (à l'écrit ou à l'oral) mises en œuvre en continu tout au long de la formation, et sur une évaluation finale qui se déroule sur 1 journée. L'évaluation continue est constituée, pour chaque module, d'un projet réalisé sur données réelles, et de  la rédaction et présentation d'un rapport sur une problématique donnée, le tout en phase avec le module, ainsi que d'un QCM. L'évaluation finale consiste en la réalisation d'un projet personnel tutoré donnant lieu à la rédaction et à la soutenance d'un mémoire devant un jury de formateurs et de professionnels.

L'entrée dans le dispositif de certification est précédée d’une action d'évaluation et de pré-formation constituée d’une session de formation / évaluation type MOOC et d’un entretien de motivation et de positionnement. Ces actions pré-formatives peuvent donner lieu à des ajustements du contenu de la formation, notamment dans le cadre d'un dispositif de formation intra-entreprise.

Le cas échéant, niveaux de maîtrise des compétences :


Le cas échéant, durée de validité en années :
Si durée limitée, modalités de renouvellement :


Possibilité de validation partielle :

Non

Références juridiques des règlementations d’activité :
Le cas échant, prérequis à l’entrée en formation :

Cette formation s’adresse à des ingénieurs, chefs de projet ayant de bonnes connaissances en mathématiques (probabilités, optimisation) et une expérience significative en programmation et souhaitant développer leurs compétences dans le domaine de l’intelligence artificielle. Des connaissances de bases en apprentissage statistique (Machine Learning) et une bonne expérience de la programmation sont indispensables pour tirer profit de cette certification.

La formation est précédée d’actions pré-formatives constituées d’une session de formation / évaluation type MOOC et d’un entretien de motivation et de positionnement Ces actions peuvent donner lieu à des ajustements du contenu de la formation, notamment dans le cadre d'un dispositif de formation intra-entreprise.   


Le cas échant, prérequis à la validation de la certification :


Validité des composantes acquises :
Voie d’accès à la certification Oui Non Composition des jurys
Après un parcours de formation sous statut d’élève ou d’étudiant X -
En contrat d’apprentissage X -
Après un parcours de formation continue X

Le jury est composé de 4 personnes : un responsable pédagogique de l'organisme délivrant la certification et deux responsables d'entreprise extérieurs à l'organisme délivrant la certification. Le président du jury est un professionnel extérieur à l'organisme certificateur ; il est désigné par les responsables pédagogiques.

En contrat de professionnalisation X -
Par candidature individuelle X

Le jury est composé de 4 personnes : un responsable pédagogique de l'organisme délivrant la certification et deux responsables d'entreprise extérieurs à l'organisme délivrant la certification. Le président du jury est un professionnel extérieur à l'organisme certificateur ; il est désigné par les responsables pédagogiques.

Par expérience X -
Lien avec d’autres certifications professionnelles, certifications ou habilitations : Oui
Certifications professionnelles, certifications ou habilitations en correspondance au niveau européen ou international :


Certifications professionnelles enregistrées au RNCP en correspondance :
N° de la fiche Intitulé de la certification professionnelle reconnue en correspondance Nature de la correspondance (totale, partielle)
Liens avec des certifications et habilitations enregistrées au Répertoire spécifique :

Equivalence d'un bloc de compétences dans deux certifications enregistrées :

- Certification : Data Science : analyse et gestion de grandes masses de données

https://inventaire.cncp.gouv.fr/fiches/1918/

CE4a. Utiliser et adapter des outils statistiques, de calcul distribué ainsi que des techniques de passage à l’échelle afin de procéder à l’analyse ou à la gestion des grandes masses de données

- Certification : Développement et conduite de projets d'intelligence artificielle

https://inventaire.cncp.gouv.fr/fiches/3846/

Compétence : Traitement  des données quantitatives et qualitatives

  • Stocker et accéder aux données pour traiter les données.
  • Analyser des données massives – Big Data pour formaliser les résultats des études.
Date de décision 29-05-2020
Durée de l'enregistrement en années 3
Date d'échéance de l'enregistrement 29-05-2023
Statistiques :
Lien internet vers le descriptif de la certification :

Le certificateur n'habilite aucun organisme préparant à la certification

Référentiel d’activité, de compétences et d’évaluation :

Référentiel d’activité, de compétences et d’évaluation
Ouvre un nouvel onglet Ouvre un site externe Ouvre un site externe dans un nouvel onglet