Vision artificielle et exploitation intelligente des ressources naturelles

Bienvenue au cours VIARENA, «Vision artificielle et exploitation intelligente des ressources naturelles». La vision artificielle est l'art et la science de rendre les ordinateurs capables d'interpréter intelligemment des images. Il existe une multitude d'applications de la vision artificielle réalisables dans nos entreprises, particulièrement les PME et nos communautés.

La vision artificielle est particulièrement accessible et facile à mettre en oeuvre. Malheureusement, c'est un secret trop bien gardé de l'intelligence artificielle. En effet, les données sont abondantes et faciles à récolter, les logiciels sont offerts en logiciel libre, il existe de gros modèles préentraînés et l'infonuagique démocratise l'accès aux infrastructures de calcul.

Ce cours pratique fait le pari que vous pourrez appliquer la vision artificielle à une foule de problèmes sans en maîtriser les détails mathématiques. VIARENA propose une approche pratique basée sur le code pour vous aider à gagner en confiance pendant que vous apprenez des concepts clés.

Le cours VIARENA utilise le langage de programmation Python qui possède le plus riche écosystème en IA. Une trentaine de courts laboratoires, sous la forme de carnets IPython interactifs, utilisent la bibliothèque Keras de Google, une interface de programmation d'applications de haut niveau qui démocratise l'apprentissage profond.

Les informaticiens apprécieront les laboratoires avec Google Colab qui leur permettront de travailler directement avec le code sans avoir à installer de logiciels. Toutefois, ce ne sont pas des exercices de programmation, tout le code est là et fonctionnel. Les exercices portent plutôt sur l'appropriation et la compréhension du code.

Identifiez une niche commerciale en survolant une foule d'applications pratiques. VIARENA montre un grand nombre d'exemples et d'applications pour illustrer les possibilités et stimuler votre créativité. Des applications comme la surveillance d'un troupeau, la récolte robotisée, l'inspection visuelle ou sonore d'éoliennes, le diagnostic d'une maladie de plante, le tri automatique de matières résiduelles, l'identification de minéraux, l'inventaire forestier, la prédiction de sécheresse, le comptage de poissons, etc.

Récoltez des données avec un drone. Entraînez des réseaux de neurones profonds. Déployez une application sur un téléphone intelligent ou un site Web.

L'objectif de VIARENA est: « Faire que l'IA soit aussi québécoise que le sirop d'érable et la motoneige. »

Semaine 1

Module 1 - Introduction

Introduction à l'IA

Vision artificielle

Quelques applications en vision artificielle

Premier laboratoire - Loi de Kleiber

Conclusion

Module 2 - Science des données et apprentissage automatique

Motivation

Science des données

Labo 2 - Les tableaux en Python

Labo 3 - Survol de la science des données

Apprentissage automatique

Mise au point d'un modèle d'apprentissage

Labo 4 - Survol de l'apprentissage automatique

Conclusion

Semaine 2

Module 3 - Du neurone à l'apprentissage profond

Introduction

Neurone artificiel

Labo 5 - Simulateur de neurone artificiel Perceptron

Labo 6 - Perceptron simple

Labo 7 - Réseau à deux couches de neurones Réseau de neurones

Labo 8 - Réseau à plusieurs couches Perceptron multicouche (PMC)

Apprentissage profond PMC et vision artificielle

Labo 9 - Reconnaissance de chiffres manuscrits

Labo 10 - Reconnaissance d'objets

Module 4 - Réseaux convolutifs

Introduction Convolution

Labo 11 - Expériences avec la convolution

Sous-échantillonnage

Labo 12 - Expériences de sous-échantillonnage

Architecture d'un réseau convolutif

Labo 13 - Rés. Conv. reconnaissance de chiffres manuscrits

Labo 14 - Rés. Conv. reconnaissance d'objets

Architectures profondes

Choix d'une architecture

Labo 15 - Rés. Conv. variantes d'architectures

Applications en agriculture

Semaine 3

Module 5 - Les données au coeur des applications

Introduction

Acquisition des données

Labo 16 - Moissonnage sur la Toile

Labo 17 - Interrogation d'un service web

Images satellitaires

Labo 18 - Couverture terrestre

Utilisation de drones

Données sonores

Labo 19 - Données sonores

Qualité des données

Labo 20 - Traitement d'images

Annotation et enrichissement des données

Labo 21 - Annotation d'images

Applications dans les pêches et l'aquaculture

Semaine 4

Module 6 - Petits jeux de données

Mise en situation Apprentissage par transfert

Labo 22 - Apprentissage par transfert

Amplification des données

Labo 23 - Amplification des données

Mise au point d'un modèle

Labo 24 - Analyse des erreurs

Applications en foresterie

Semaine 5

Module 7 - Projet d'application

Développement d'une application

Déploiement d'un modèle en ligne

Service en ligne

Labo 25 - Serveur d'inférences

Application mobile intelligente

Labo 26 - Création d'un modèle compact

Labo 27 - Conversion vers un modèle compact

Labo 28 - Application mobile ÉcorcIA

Maintenance d'un modèle

Applications faune et environnement

Module 8 - Conclusion

Labo 29 (en prime) - Détection d'objets

Applications dans l'énergie et les mines

Mise en garde

Pour aller plus loin

Retour sur votre expérience Attestation