A presentation at Volcamp in in Clermont-Ferrand, France by Stéphane Philippart
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 ? Je me demande quelle est la différence entre tous ces termes ? IA
🦙 Qu’est-ce que l’IA ? IA Machine Learning Je me demande quelle est la différence entre tous ces termes ?
🦙 Qu’est-ce que l’IA ? IA Machine Learning Je me demande quelle est la différence entre tous ces termes ? Réseaux de neurones
🦙 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 Régression
🦙 Le Machine Learning plus en détail Machine Learning Deep Learning Non supervisé Clustering Réduction de dimension
🦙 Le Machine Learning plus en détail Machine Learning Deep Learning Renforcement
🦙 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
🐻❄️ Le NLP, à quoi ça sert ? Traduction Classification de texte
🐻❄️ Le NLP, à quoi ça sert ? Traduction Classification de texte Résumés
🐻❄️ Le NLP, à quoi ça sert ? Traduction Classification de texte Résumés Génération de texte
🐻❄️ 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
🐻❄️ Pourquoi le son en IA ? Classification des données acoustiques Classification des sons environnementaux
🐻❄️ Pourquoi le son en IA ? Classification des données acoustiques Classification des sons environnementaux Classification du langage naturel
🐻❄️ 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
🐻❄️ Comment créer une application intelligente ? Obtenir de la donnée Traiter la donnée
🐻❄️ Comment créer une application intelligente ? Obtenir de la donnée Traiter la donnée Créer ou optimiser un modèle existant
🐻❄️ Comment créer une application intelligente ? Obtenir de la donnée Traiter la donnée Créer ou optimiser un modèle existant Entraîner son modèle
🐻❄️ 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
🐻❄️ Technos et Outils Le langage le plus utilisé : Python Beaucoup d’IDE (PyCharm, VSCode …) Le cas à part de JupyterLab
🐻❄️ 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
🐻❄️ 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)
🐻❄️ 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, …
🐻❄️ 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 Bart van meele
🐻❄️ 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 Datascience, Machine Learning, Deep Learning
🦙 Qu’avons nous appris aujourd’hui ? Notion d’ia Datascience, Machine Learning, Deep Learning Place du son en IA Environnement, musique, NLP
🦙 Qu’avons nous appris aujourd’hui ? Notion d’ia Datascience, Machine Learning, Deep Learning Place du son en IA Environnement, musique, NLP prétraitement des données Répartition, transformation, labélisation
🦙 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 Environnement, musique, NLP prétraitement des données Répartition, transformation, labélisation
🦙 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 Répartition, transformation, labélisation
🦙 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 ! https://ovh.to/FEMhzQe 💰 Voucher pour essayer : TrialFR042022 💰
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 vous ferons découvrir le monde de la data et comment il est, avec les bons outils, facile de se lancer dans l’aventure de l’analyse de données et de la classification.
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. Nous vous montrerons 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.
The following resources were mentioned during the presentation or are useful additional information.
Here’s what was said about this presentation on social media.
