Les Mathématiques au cœur de I’IA

L’Intelligence Artificielle n’est pas une boîte noire que l’on peut manipuler à sa guise. Derrière la hype se cachent des modèles mathématiques pour le Machine Learning et le Deep Learning, que l’on se doit de comprendre et maîtriser pour réaliser des applications robustes avec des prédictions fiables. Se servir d’une IA-as-a-Service peut s’avérer être un fort accélérateur pour des problèmes classiques, mais peut être dangereux sans une compréhension minimale des algorithmes sous-jacents. Et au-delà de ces outils clé en main, des modèles personnalisés sont réalisables avec nos petites mains et peuvent être bien plus pertinents en termes de réponse au besoin final.

Derrière le mot Intelligence Artificielle se cachent de nombreuses thématiques, qui vont du Machine Learning “classique” au Deep Learning en passant par la robotique, les statistiques et les sciences cognitives.

Keywords

  • IA-as-a-Service
  • AWS SageMaker
  • Google Cloud ML
  • TensorFlow Everywhere
  • NLP
  • Computer Vision
  • Text & Sequences
  • Modèles Génératifs
  • Détection d’anomalies
  • Time Series
  • Reinforcement Learning
  • Distributed Learning
  • DGX Station
  • Bayesian Statistics
  • Q-Learning
  • Recherche Opérationnelle
  • Optimisation
  • Robotique

Notre partage sur le sujet

Articles de blog

Vidéos

Published by

Publié par Yoann Benoit

Yoann est Data Scientist et Technical Officer chez Xebia. Il travaille sur la création de produits Data Science, de leur exploration à la mise en production. Il intervient sur de nombreux sujets autour de la Data Science, de l'Intelligence Artificielle et du Big Data.

Commentaire

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Nous recrutons

Être un Sapient, c'est faire partie d'un groupe de passionnés ; C'est l'opportunité de travailler et de partager avec des pairs parmi les plus talentueux.