Descriptif
Ce module a pour objectif, au travers d'applications industrielles, de conforter les principes approches algorithmiques liées aux IA.
Compétences travaillées
Bloc 3 : Améliorer pour l'industrie et les services, les performances d'un produit, procédé et processus pour anticiper et accompagner les changements induits par les transition3.2 : Exploiter des données numériques
3.3 : Modéliser un produit, procédé, processus
3.4 : Simuler avec des outils numériques
Bloc GenIndus : Concevoir et piloter des organisations et les systèmes d'information associés dans un environnement évolutif et incertain
G.1 : Modéliser et analyser un processus, système, service
G.2 : Concevoir et mettre en oeuvre un système d'information ou une solution organisationnelle
G.3 : Optimiser le processus de pilotage d'une chaîne logistique et des flux organisationnels
G.4 : Collecter, structurer et exploiter des informations et données numériques
G.5 : Mobiliser des informations validées
G.7 : Communiquer dans un milieu interculturel et international
Objectifs pédagogiques
À la fin de ce module, les élèves seront sensibilisés aux :
- Principales méthodes (réseaux de neurones, méta modèles, réduction de modèles…)
- À des applications concrètes dans l’industrie
- Application réseaux neurones aux écoulements milieux fibreux
- Applications IA à l’usinage
- Applications jumeaux numériques aux matériaux céramiques
Applications Recurent Neural Network aux lois de comportement viscoélastique non-linéaire
Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi
- Machine learning / Régression Linéaire
- Deep learning / ConvNets
- Langage de programmation Python
Format des notes
Numérique sur 20Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi
Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)Le coefficient de l'enseignement est : 1
Programme détaillé
Conférence Introductive IA
TAPE Machine learning & Deep learning:
- Machine learning / Régression Linéaire
- Deep learning / ConvNets
- Présentation d’un projet par un groupe
- Python
Partie convolution (SCNN) / Convutionnal neural network
Partie méta modèle et réduction de dimension
- Apprentissage de variétés pour la réduction de dimension
- Apprentissage de variétés linéaires par morceaux
- Apprentissage de variétés pour la réduction de dimension par auto-encodeurs
Recurent Neural Network (RNN):
- Applications Loi de comportement viscoélastique non-linéaire
Application réseaux neurones (informés par la physique) :
- PINN
- Écoulements milieux fibreux
- RTM (notebooks Jupyter)