Vision Artificielle et Exploitation Intelligente des Ressources Naturelles (EDUlib)

Offered by Cégep de Matane,
Vision Artificielle et Exploitation Intelligente des Ressources Naturelles (EDUlib)

La vision artificielle est facile à mettre en oeuvre. Identifiez une niche commerciale en survolant une foule d'applications pratiques. Récoltez des données avec un drone. Entraînez des réseaux de neurones. Déployez une application sur un téléphone ou le Web.

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
Go to Class
MOOC List is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Related Courses

Artificial Intelligence: An Overview (Coursera) Coursera
Politecnico di Milano

Artificial Intelligence: An Overview (Coursera)

The course will provide a non-technical overview of the artificial intelligence field. Initially, a discussion on the birth of AI is provided, remarking the seminal ideas and preliminary goals. Furthermore, the crucial weaknesses are presented and how these weaknesses have been circumvented. Then, the current state of AI is presented, in terms of goals, importance at national level, and strategies. Moreover, the taxonomy of the AI topics is presented.

Dec 7th 2026
5-12 Weeks
Deep Learning Applications for Computer Vision (Coursera) Coursera
University of Colorado Boulder

Deep Learning Applications for Computer Vision (Coursera)

This course can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics.

Dec 7th 2026
5-12 Weeks
How to Validate your Startup Idea (Coursera) Coursera
UNSW Sydney - University of New South Wales

How to Validate your Startup Idea (Coursera)

Starting a new business begins with an idea that needs to evolve through experimentation, iteration and interactions with people. This course is for existing and potential entrepreneurs who are looking for guidance and support to make their ‘great idea’ a reality. In addition to reviewing the basic principles of entrepreneurship, this course guides you through the process of actively validating your idea in the market.

Dec 7th 2026
5-12 Weeks
Design Thinking and Global Startup (Coursera) Coursera
Korea Advanced Institute of Science and Technology - KAIST

Design Thinking and Global Startup (Coursera)

This course offers a systematic engineering design methodology: Stanford Design Thinking for preparing global startup. The course empathizes the whole Stanford design thinking process, "Empathy-Define-Ideation-Prototype-Test," for building a startup with a business model that has a “customer truly need” component.

Dec 7th 2026
5-12 Weeks
LangChain: Chat with Your Data (DeepLearning.AI) Other Providers
DeepLearning.AI

LangChain: Chat with Your Data (DeepLearning.AI)

Create a chatbot to interface with your private data and documents using LangChain. Join our new short course, LangChain: Chat With Your Data! The course delves into two main topics: (1) Retrieval Augmented Generation (RAG), a common LLM application that retrieves contextual documents from an external dataset, and (2) a guide to building a chatbot that responds to queries based on the content of your documents, rather than the information it has learned in training.

Self Paced
Self-Paced
Building Systems with the ChatGPT API (DeepLearning.AI) Other Providers
DeepLearning.AI

Building Systems with the ChatGPT API (DeepLearning.AI)

Level up your use of LLMs. Learn to break down complex tasks, automate workflows, chain LLM calls, and get better outputs. In Building Systems With The ChatGPT API, you will learn how to automate complex workflows using chain calls to a large language model. Unlock new development capabilities and improve your efficiency in this brand new short course.

Self Paced
Self-Paced