Vision artificielle et exploitation intelligente des ressources naturelles from edX

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. »

What's inside

Learning objectives

Le cours viarena a été conçu pour deux clientèles principales qui correspondent à deux parcours pédagogiques:
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.
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.
Objectifs du module 1
Coureur des bois & patenteux:
- comprendre « intuitivement » la science des données, et l’apprentissage automatique.
- comprendre que la vision artificielle est accessible et prête à l'emploi;
- comprendre l'importance des données;
- énumérer quelques applications de la vision artificielle;
- connaître certaines limites de l'ia.
- connaître les éléments-clés d'une stratégie pour bien débuter en ia.
Patenteux:
- distinguer et définir intelligence artificielle et science des données.
Objectifs du module 2
Ce module a pour objectif la mise à jour de vos connaissances par un survol de la science des données et de l'apprentissage automatique. si vous êtes déjà familier de ces sujets, nous vous invitons à passer directement au module suivant.
- comprendre comment les ordinateurs peuvent apprendre à partir de données;
- saisir l’importance des données, de leur acquisition et de leur prétraitement.
- lire, manipuler, visualiser, calculer des statistiques, analyser des relations dans un jeu de données;
- déterminer la classe-cible et les prédicteurs, séparer les données d'entraînement et de test, choisir un algorithme d’apprentissage classique, entraîner et évaluer un modèle.
Objectifs du module 3
Coureur des bois:
- comprendre « intuitivement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones et l'apprentissage profond.
- comprendre « pratiquement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones, et l'apprentissage profond;
- appliquer le perceptron multicouche à la reconnaissance visuelle de chiffre manuscrits et d'objets simples.
Objectifs du module 4
- saisir le potentiel et énumérer quelques applications de la vision artificielle en agriculture.
- comprendre « intuitivement » le fonctionnement d'un réseau convolutif.
- comprendre « pratiquement » le fonctionnement d'un réseau convolutif;
- appliquer un réseau convolutif à la reconnaissance et à la classification d'images de chiffres manuscrits et d'objets simples.
Objectifs du module 5

- connaître différentes sources de données et leurs méthodes d’acquisition;
- connaître l’utilisation des caméras, lidar, des capteurs et des objets connectés;
- comprendre l’intérêt des images satellitaires et recueillies par des drones;
- savoir que la source essentielle des biais est dans les données;
- connaître différentes sources de données synthétiques;
- saisir le potentiel et énumérer quelques applications de la vision artificielle dans les pêches et l’aquaculture.
- comprendre qu'avoir des quantités d'images de qualité est au coeur des applications de la vision artificielle;
- saisir le défi de l’annotation des images.
- comprendre que les données doivent être de qualité et en quantité suffisante;
- comprendre les rudiments du fonctionnement des caméras, des lidar, des capteurs et objets connectés;
- moissonner des données sur la toile;
- connaître les principales fonctions d’un drone;
- s'initier au traitement d’images satellitaires;
- s'initier au traitement des sons;
- annoter des images.
Objectifs du module 6
- comprendre le défi du « mur des données massives »;
- connaître des moyens de franchir le « mur des données massives »;
- saisir le potentiel et énumérer quelques applications de la vision artificielle en foresterie.
- connaître les principes et les avantages de l’apprentissage par transfert et de l’amplification de données.
- appliquer l’apprentissage par transfert et l’amplification de données à la reconnaissance d’images.
Objectifs du module 7
- comprendre les différents choix techniques pour le déploiement d’une application en vision artificielle;
- saisir le potentiel et énumérer quelques applications de la vision artificielle en environnement et faune.
- comprendre la stratégie de la traversée du gouffre;
- connaître les grands principes de la gestion de projet d’innovation;
- saisir l’importance de la créativité;
- déployer une application en vision artificielle sur la toile;
- réaliser une application mobile en vision artificielle.
Objectifs du module 8
- être conscient de la surenchère et de l’effet de mode;
- saisir le potentiel et énumérer quelques applications de la vision artificielle dans l’énergie et les mines.
- connaître quelques ressources utiles pour aller plus loin dans son projet d'affaires.
- se familiariser avec la détection d’objets;
- connaître quelques bonnes suggestions de livres et de cours pratiques.

Le cours viarena a été conçu pour deux clientèles principales qui correspondent à deux parcours pédagogiques:
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.
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.
Objectifs du module 1
Coureur des bois & patenteux:
- comprendre « intuitivement » la science des données, et l’apprentissage automatique.
- comprendre que la vision artificielle est accessible et prête à l'emploi;
- comprendre l'importance des données;
- énumérer quelques applications de la vision artificielle;
- connaître certaines limites de l'ia.
- connaître les éléments-clés d'une stratégie pour bien débuter en ia.
Patenteux:
- distinguer et définir intelligence artificielle et science des données.
Objectifs du module 2
Ce module a pour objectif la mise à jour de vos connaissances par un survol de la science des données et de l'apprentissage automatique. si vous êtes déjà familier de ces sujets, nous vous invitons à passer directement au module suivant.
- comprendre comment les ordinateurs peuvent apprendre à partir de données;
- saisir l’importance des données, de leur acquisition et de leur prétraitement.
- lire, manipuler, visualiser, calculer des statistiques, analyser des relations dans un jeu de données;
- déterminer la classe-cible et les prédicteurs, séparer les données d'entraînement et de test, choisir un algorithme d’apprentissage classique, entraîner et évaluer un modèle.
Objectifs du module 3
Coureur des bois:
- comprendre « intuitivement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones et l'apprentissage profond.
- comprendre « pratiquement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones, et l'apprentissage profond;
- appliquer le perceptron multicouche à la reconnaissance visuelle de chiffre manuscrits et d'objets simples.
Objectifs du module 4
- saisir le potentiel et énumérer quelques applications de la vision artificielle en agriculture.
- comprendre « intuitivement » le fonctionnement d'un réseau convolutif.
- comprendre « pratiquement » le fonctionnement d'un réseau convolutif;
- appliquer un réseau convolutif à la reconnaissance et à la classification d'images de chiffres manuscrits et d'objets simples.
Objectifs du module 5
- connaître différentes sources de données et leurs méthodes d’acquisition;
- connaître l’utilisation des caméras, lidar, des capteurs et des objets connectés;
- comprendre l’intérêt des images satellitaires et recueillies par des drones;
- savoir que la source essentielle des biais est dans les données;
- connaître différentes sources de données synthétiques;
- saisir le potentiel et énumérer quelques applications de la vision artificielle dans les pêches et l’aquaculture.
- comprendre qu'avoir des quantités d'images de qualité est au coeur des applications de la vision artificielle;
- saisir le défi de l’annotation des images.
- comprendre que les données doivent être de qualité et en quantité suffisante;
- comprendre les rudiments du fonctionnement des caméras, des lidar, des capteurs et objets connectés;
- moissonner des données sur la toile;
- connaître les principales fonctions d’un drone;
- s'initier au traitement d’images satellitaires;
- s'initier au traitement des sons;
- annoter des images.
Objectifs du module 6
- comprendre le défi du « mur des données massives »;
- connaître des moyens de franchir le « mur des données massives »;
- saisir le potentiel et énumérer quelques applications de la vision artificielle en foresterie.
- connaître les principes et les avantages de l’apprentissage par transfert et de l’amplification de données.
- appliquer l’apprentissage par transfert et l’amplification de données à la reconnaissance d’images.
Objectifs du module 7
- comprendre les différents choix techniques pour le déploiement d’une application en vision artificielle;
- saisir le potentiel et énumérer quelques applications de la vision artificielle en environnement et faune.
- comprendre la stratégie de la traversée du gouffre;
- connaître les grands principes de la gestion de projet d’innovation;
- saisir l’importance de la créativité;
- déployer une application en vision artificielle sur la toile;
- réaliser une application mobile en vision artificielle.
Objectifs du module 8
- être conscient de la surenchère et de l’effet de mode;
- saisir le potentiel et énumérer quelques applications de la vision artificielle dans l’énergie et les mines.
- connaître quelques ressources utiles pour aller plus loin dans son projet d'affaires.
- se familiariser avec la détection d’objets;
- connaître quelques bonnes suggestions de livres et de cours pratiques.

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

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

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

Good to know

Know what's good

, what to watch for

, and possible dealbreakers

Développe des compétences recherchées dans le secteur de l'intelligence artificielle et du machine learning

Est accessible aux entrepreneurs et dirigeants sans connaissance en IA grâce à une approche pratique

Présente de nombreux exemples d'applications dans divers secteurs, stimulant la créativité

Utilise le langage Python, largement utilisé en IA

Accompagne les participants dans le déploiement d'applications d'IA

Nécessite des connaissances en programmation pour certains exercices

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Vision artificielle et exploitation intelligente des ressources naturelles with these activities:

Brush up on linear algebra and calculus

Show steps

Revisit fundamental concepts in linear algebra and calculus, which are crucial for understanding computer vision algorithms.

Browse courses on Linear Algebra

Show steps

Review textbooks or online resources.
Practice solving problems and exercises.

Review concepts of object recognition

Show steps

Recall concepts and terms learned in previous computer vision courses to prepare for this object recognition course.

Browse courses on Object Recognition

Show steps

Review notes or textbooks from previous computer vision courses.
Brush up on linear algebra and calculus concepts.
Explore online resources or articles on object recognition basics.

Follow Tutorials

Show steps

Supplement your class learning by following online tutorials and resources.

Browse courses on TensorFlow

Show steps

Find tutorials that cover the topics discussed in class
Follow the step-by-step instructions
Experiment with the code and modify it

11 other activities

Expand to see all activities and additional details

Show all 14 activities

Review Machine Learning

Show steps

Refresh previous knowledge of machine learning techniques to better equip yourself for this course.

Browse courses on Machine Learning

Show steps

Review lecture notes and assignments from previous coursework
Complete practice problems and exercises

Complete beginner tutorials on Python libraries

Show steps

Build a strong foundation in Python libraries to enhance understanding of computer vision concepts.

Browse courses on Python

Show steps

Follow online tutorials on using libraries like NumPy, Pandas, and OpenCV.
Practice implementing basic image processing tasks using these libraries.

Attend Industry Events

Show steps

Connect with professionals in the field by attending networking events and meetups.

Show steps

Identify relevant industry events and meetups
Attend the events and actively participate in discussions
Exchange ideas and learn from others' experiences

Solve coding challenges on LeetCode or HackerRank

Show steps

Sharpen programming skills by solving coding challenges related to Python, algorithms, and data structures, which are essential for computer vision.

Browse courses on Python

Show steps

Choose a platform like LeetCode or HackerRank.
Solve coding problems focused on topics like arrays, strings, and sorting.

Write Code

Show steps

Apply new machine learning concepts introduced in class by completing practice drills to reinforce and deepen understanding.

Browse courses on Python

Show steps

Work on the course's problem sets
Participate in online coding challenges
Build and train basic machine learning models
Download and utilize pre-trained models to solidify your skills

Participate in study groups or forums

Show steps

Engage with peers to discuss course concepts, exchange ideas, and clarify understanding.

Show steps

Join online forums or study groups related to the course.
Actively participate in discussions, ask questions, and share insights.

Build a Machine Learning Project

Show steps

Apply your knowledge by building and deploying a machine learning project from scratch. This will provide you with hands-on experience and a deeper understanding of the concepts.

Browse courses on Machine Learning

Show steps

Identify a problem or opportunity where ML can be applied
Gather and prepare the necessary data
Choose and implement suitable ML models
Evaluate and fine-tune the models
Deploy the model and monitor its performance

Build a simple image classification project

Show steps

Apply concepts learned in the course to a practical project, reinforcing understanding and enhancing practical skills.

Browse courses on Image Classification

Show steps

Gather a dataset of images for a specific category.
Preprocess the images and extract features.
Train a simple machine learning model for image classification.
Evaluate the performance of the model and make improvements.

Explain Concepts

Show steps

Reinforce your learning by teaching the concepts to someone else, recording your explanations, or creating documentation.

Show steps

Create a study guide or concept map
Record videos explaining the key concepts
Write blog posts or articles about the topics
Design and deliver a presentation

Create a presentation on the latest research in object detection

Show steps

Showcase understanding and stay updated on advancements in object detection by researching and presenting on the latest developments.

Browse courses on Object Detection

Show steps

Review recent academic papers and articles on object detection.
Extract key findings and insights from the research.
Organize and structure the information into a clear and concise presentation.

Contribute to open-source computer vision projects

Show steps

Gain practical experience and contribute to the computer vision community by participating in open-source projects.

Browse courses on Open Source

Show steps

Identify open-source computer vision projects that align with interests.
Review the project's documentation and codebase.
Make contributions to the project, such as bug fixes, feature enhancements, or documentation improvements.

Career center

Learners who complete Vision artificielle et exploitation intelligente des ressources naturelles will develop knowledge and skills that may be useful to these careers:

Reading list

We haven't picked any books for this reading list yet.

Vision artificielle et exploitation intelligente des ressources naturelles

What's inside

Learning objectives

Syllabus

Good to know

Save this course

Activities

Career center

Reading list

Share

Similar courses