We may earn an affiliate commission when you visit our partners.
Course image
Claude Coulombe and Isabelle Cayer

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.

Read more

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. »

Three deals to help you save

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.

Syllabus

Semaine 1
Module 1 - Introduction
Introduction à l'IA
Vision artificielle
Read more
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

Save this course

Save Vision artificielle et exploitation intelligente des ressources naturelles to your list so you can find it easily later:
Save

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
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
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
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
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
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
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
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
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
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
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
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
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
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
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.

Share

Help others find this course page by sharing it with your friends and followers:

Similar courses

Here are nine courses similar to Vision artificielle et exploitation intelligente des ressources naturelles.
Biais et discrimination en IA
Most relevant
Techniques d’intelligence artificielle : des fondements...
Most relevant
Développeur Python | Formation Complète 2024
Most relevant
Déployer des stacks Docker avec Docker Compose
Most relevant
Introduction à l'éthique de l’IA
Most relevant
Découvrir la responsabilité sociétale des entreprises...
Most relevant
La science des changements climatiques
Most relevant
Créer un Service Mesh avec ISTIO
Most relevant
Déployer des conteneurs Docker avec Amazon ECS et Fargate
Most relevant
Our mission

OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.

Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.

Find this site helpful? Tell a friend about us.

Affiliate disclosure

We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.

Your purchases help us maintain our catalog and keep our servers humming without ads.

Thank you for supporting OpenCourser.

© 2016 - 2024 OpenCourser