Vision Artificielle et Exploitation Intelligente des Ressources Naturelles (EDUlib)

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. »
Ce que vous allez apprendre

Le cours VIARENA a été conçu pour deux clientèles principales qui correspondent à deux parcours pédagogiques:

1. Profil « coureur des bois » - Les entrepreneurs, dirigeants et visionnaires pour les aider à identifier les opportunités et à comprendre les applications potentielles de la vision artificielle.

2. Profil « patenteux » - Les praticiens, informaticiens, programmeurs, codeurs, ingénieurs, techniciens, scientifiques et développeurs de logiciels qui désirent s'initier d'une façon pratique à la vision par ordinateur. Pour eux, les laboratoires exigent la connaissance d'un langage de programmation et si possible de Python
Objectifs finaux du cours

- COUREUR DES BOIS :

- Faire des liens entre les connaissances acquises en vision artificielle et des applications dans la vie réelle.

- PATENTEUX:.

- Réaliser une application en vision artificielle depuis l'acquisition et le prétraitement des images, en passant par la création, l'entraînement et l'évaluation d'un réseau convolutif, puis finalement son déploiement sur la Toile ou sous la forme d'une application mobile.

Syllabus

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