A presentation at Snowcamp 2023 in in Grenoble, France by Eléa PETTON
Si on aidait le capitaine Némo à classifier les monstres marins ? Eléa Petton & Stéphane Philippart @EleaPetton & @wildagsx
Mais l’Intelligence Artificielle c’est quoi au final ?
Qu’est-ce que l’IA ? Toi humain tu sais différencier les animaux marins. Comment faire pour l’apprendre ? Attends, je vais te donner un algorithme qui va te permettre d’apprendre.
Qu’est-ce que l’IA ? IA Machine Learning Je me demande quelle est la différence entre tous ces termes ? Réseaux de neurones Deep Learning
Le Machine Learning plus en détail Machine Learning Deep Learning Supervisé Classification Non supervisé Renforcement
Différentes familles en IA NLP
Le NLP, à quoi ça sert ? Traduction Classification de texte Résumés Génération de texte Réponses à des questions
Différentes familles en IA NLP Computer Vision
La Computer Vision, c’est quoi ? Classification d’images Détection d’objets Segmentation d’images
La Computer Vision, c’est quoi ?
Différentes familles en IA NLP Computer Vision Audio
Pourquoi le son en IA ? Classification des données acoustiques Classification des sons environnementaux Classification du langage naturel Classification de la musique
Comment créer une application intelligente ? Obtenir de la donnée Traiter la donnée Créer ou optimiser un modèle existant Entraîner son modèle Utiliser son modèle
Importance du pré-traitement des données Qualité des données Informations utiles
Exemples de pré-traitement pour les données Gestion des valeurs nulles / manquantes Normalisation Gestion des variables qualitatives Encodage à chaud
Et pour les données audios ? N paramètres audio Librosa name length audios .wav paramètres audio Librosa … … fichier .csv … name
me cleaning the data me building the model
Technos et Outils Le langage le plus utilisé : Python Beaucoup d’IDE (PyCharm, VSCode …) Le cas à part de JupyterLab Les frameworks sont nombreux Peut dépendre du type de modèle ou donnée manipulée Compatibilité GPU (surtout pour la partie traitement de la donnée) Construction de modèles, Apprentissage, Front, Back, … Quelques frameworks connus : Pytorch, TensorFlow, Streamlit, …
Démo time ! Artturi Jalli
Identifier un mammifère par rapport à son cri Notebook Analyse de l’audio Pré-traitement des données Construction du modèle Entraînement et évaluation du modèle Test et enregistrement modèle Applications Back-End : exposition de l’API Front-End : analyse d’un son chargé ou enregistré Bart van meele
Schéma d’architechture globale
Qu’avons nous appris aujourd’hui ? Notion d’ia AI Notebook Datascience, Machine Learning, Deep Learning Développement de mon code étape par étape Place du son en IA Entraînement d’une ia Environnement, musique, NLP Réseau de neurones, exportation prétraitement des données App pour ia Répartition, transformation, labélisation Object Storage, Streamlit, Docker, API
Les métiers de l’IA Machine Learning engineer Data Scientist Developer
Les métiers de l’IA Data Scientist
Le Data Scientist Data Analysis Data Visuatization Programmation Machine Learning Maths Statistics
Les métiers de l’IA Machine Learning engineer
Le Machine Learning Engineer Data Science Maths & Statistics Programmation Frameworks Environnement de prod Services Cloud
Les métiers de l’IA Developer
Le Développeur Python Docker DATA Concepts IA Développement Frameworks Outillage
Eléa Petton Machine Learning Engineer @OVHcloud @EleaPetton eleapttn Eléa PETTON
Stéphane Philippart 🦄 DevRel@OVHcloud 🥑 💬 Co-Créateur de TADx 🔗 https://philippart-s.github.io/blog @wildagsx philippart-s philippartstephane
MERCI !
Pour tester Le notebook : L’app : https://github.com/eleapttn/nemo-notebook https://github.com/philippart-s/nemo-streamlit-front https://github.com/philippart-s/nemo-flask-back Quelques docs : https://docs.ovh.com/gb/en/publiccloud/ai/ https://blog.ovhcloud.com/tag/ai/ Quelques Exemples : https://github.com/ovh/ai-training-examples/
Références TensorFlow : https://www.tensorflow.org/guide?hl=fr JupyterLab : https://jupyter.org/ Pandas : https://pandas.pydata.org/ Sklearn : https://scikit-learn.org/stable/ Numpy : https://numpy.org/ Matplotlib : https://matplotlib.org/ Dataset des sons de mammifères marins : https://www.kaggle.com/datasets/shreyj1729/best-of-watkins-marine-mammal-sound-database Informations sur la dataset : https://cis.whoi.edu/science/B/whalesounds/index.cfm Classification de musique avec un CNN : https://blog.clairvoyantsoft.com/music-genre-classification-using-cnn-ef9461553726 Classification des genre musicaux : https://towardsdatascience.com/music-genre-classification-with-python-c714d032f0d8 Pré-traitement des données en Machine Learning : https://towardsdatascience.com/introduction-to-data-preprocessing-in-machine-learning-a9fa83a5dc9d
Intelligence Artificielle, Machine Learning, Deep Learning, … Ces termes on les entend tous les jours mais au final que représentent ils et surtout comment développe-t-on des applications basées sur ces notions ?
Durant ce talk nous découvrirons le monde de la data. Avec les bons outils, facile de se lancer dans l’aventure de l’analyse de données et de la prédiction.
Ce talk permettra aux développeuses et développeurs de découvrir comment développer des applications apprenantes et montrera qu’il n’est pas nécessaire d’être un As du développement pour développer son propre algorithme de Machine Learning ou de Deep Learning. Je vous montrerai comment créer votre premier Notebook avec JupyterLab afin de vous accompagner dans vos premiers pas. Ce sera l’occasion pour vous de plonger dans la découverte du monde sous-marin en développant un modèle permettant d’identifier et classifier les sons de mammifères marins.
Pour finir, nous verrons ensemble, avec Streamlit, comment développer une application utilisant ce modèle.
for free. You
can too.