Savoir concevoir un système robotique de la conception avec ROS jusqu'à la vision et détection et reconnaissance d'objets avec OpenCV et des solutions d'IA.
Connaissance générale des systèmes d'informations, d'un langage de programmation comme python.
|
| Objets connectés |
|
| Les objets connectés |
L'internet des objets. Les acteurs et produits du marché.
Définitions, fonctionnement et architectures.
|
|
| Identifier les usages et les technologies associées |
Applications, services fournis par les objets connectés : domotique, santé, loisirs.
Plateformes matérielles (Intel,Samsung) et logicielles. Les systèmes classiques android, IOS, systèmes embarqués : UI, Brillo, LiteOS, Galileo, Arduino
Infrastructure de connectivité : wifi, bluetooth, BLE, zigbee, NFC, RFID, LoRa, 4G, 5G
Protocoles : MQTT, AMQP, Coap, LoRaWan.Atelier : mise en oeuvre d'une antenne Lora et connexion d'objets
|
|
| Evaluer les opportunités économiques et d'innovations apportées par le domaine de l’IoT |
| Présentation des écosystème IoT. Impacts sur les métiers : concepteurs d'objets, fabriquants de composants, opérateurs et équipements réseaux, acteurs de la sécurité et intégrateurs, fournisseurs de services et stockages, opérateurs de cloud Atelier : démonstration d'une mise en oeuvre sur une habitation connectée
|
|
| Appréhender les normes et standards en vigueur dans le domaine de l’IoT |
Protocoles: mqtt, bluetooth, wifi, 3G/4G, etc ...
Avec un autre objet : M2M,
Avec le réseau internet : vers un serveur, vers le cloud.
Les plateformes IoT, définition de standards : OpenInterconnect Consortium.Atelier : mise en place d'une passerelle LoRa/MQTT avec mosquitto
Atelier : interconnexion AWS/IoT et MQTT. APIs en C, java et python
Atelier : Création d'un compteur d'actions sur smartphone
|
|
| Savoir anticiper l’intégration de l’IoT dans une entreprise |
Types de données collectées. Données locales, limites.
Transfert et stockage sur une autre machine, dans le cloud ou sur internet. Analyse des données et fourniture de services associés.
Techniques de protection des objets connectés. Authentification et autorisations. Protection des données, législation. Qualité de service coté client.
BigData et IoT :de l'objet connecté à l'analyse de nuage d'objets.Atelier : démonstration sur une chaîne de traitement LoRa/MQTT/Kafka/SparkStreaming/Hadoop
Atelier : mise en place d'une sécurisation SSL/TLS sur les flux IoT
|
|
| Conception |
|
| Conception robotique avec ROS |
Présentation de ROS (Robot Operating System), historique, contraintes, fonctionnalités, licence.
Objectifs des créateurs de ROS.
Point sur les dernières distributions de ROS.
Tour d'horizon des robots compatibles.
Exemples d'utilisation de ROS.
|
|
| Architecture |
Principe de fonctionnement de ROS : modularité, légèreté, compatibilité
Les différents éléments : les noeuds, le master, les topics, les messages, les services
L'organisation des fichiers, l'installation : les packages, les stacks
Présentation packages disponibles.
|
|
| Mise en oeuvre |
Installation sur Ubuntu.
Configuration de l'environnement.
Présentation du filesystem ROS et de roscd, eosis, rospack
Premier pas : création d'un package.
Gestion des noeuds : utilisation de roscore, rosnode et rosrun.
Création de topics et de services.
|
|
| Développement |
Programmation en python d'outils de publication et réception de messages (topics),
et de services et clients simples.
|
|
| Exploitation |
Utilisation de fichiers .bag pour stocker des messages et les réutiliser
Gestion des dépendances entre packages
Exécution de ROS sur une infrastructure de plusieurs serveurs.
|
|
| Extensions |
Présentation des librairies principales
|
|
| Vision |
|
| Computer Vision avec OpenCV |
Présentation OpenCV
Historique, fonctionnalités, versions, licence
Site de référence, documentation disponible
Principes de base de la vision par ordinateur
Positionnement OpenCV par rapport aux autres solutions du marché
|
|
| Mise en pratique OpenCV |
Installation d'OpenCV.
Exemples simples:lecture, affichage, enregistrement d'images
|
|
| Manipulation d'images |
bases de traitement d'images :
Opération sur les matrices.
les espaces de couleurs : CMYB, HSV, niveaux de gris;
la segmentation d'images;
Exemple de seuillage avec OpenCV
Conversion d'une image en binaire
Histogramme d'une image.
Les opérateurs binaires (NO, AND, OR, XOR):
utilisation pour la fusion d'images
|
|
| Classificateurs et IA |
Principe, différents classificateurs disponibles avec OpenCV
Exemples : détection de formes, de contours, de visages
Deep Learning avec PyTorch
Classification d'images
Détection d'objets
|
|
| Simulation |
|
| Simulation avec Gazebo |
Présentation du projet Gazebo, licence, versions
Fonctionnalités: simulation d'un robot physique avec interactions avec l'environnement
Modèles de robots disponibles
Compatibilité avec ROS et Player
Exemples d'utilisation: compétitions DARPA, NASA, ...
|
|
| Mise en oeuvre |
Prérequis techniques
Installation sur Ubuntu
Configuration des variables d'environnement
Architecture de Gazebo : Master, bibliothèques de communication, physiques, visualisation 3D, etc ...
Moteurs utilisés : ODE, Bullet, Simbody, DART
Premiers pas : utilisation de l'interface graphique,
choix de modèles, gestion de l'environnement
|
|
| Modèles, robots |
Utilisation du Model Editor pour construire des modèles
Construction de véhicules, ajout de capteurs, de plugins
Utilisation des modèles, création de robots,traitement des données des capteurs,gestion de l'environnement physique
|
|
| Extensions |
Intégration des packages ROS : gazebo_ros_pkgs pour simuler un robot avec gazebo en utilisant les messages, services de ROS.
Simulation sur AWS avec CloudSim
|
|
| Analyse des données |
|
| Positionnement Python |
Les valeurs d'observation, et les variables cibles.
Ingénierie des variables.
Analyses statistiques,
Classification des données, rapprochements,
Production de recommandations. Evolutions des outils statistiques classiques vers l'apprentissage automatique.Atelier : exercices sur les outils statistiques de base
|
|
| Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python |
Besoins des data-scientists : calculs, analyse d'images, machine learning, interface avec les bases de données
Apports de python : grande variété d'outils, expertise dans le domaine du calcul scientifique
Présentation des outils d'apprentissage Python : scikit-learn, pybrain, TensorFlow/keras, mxnet, caffeAtelier : mise en oeuvre de scikit-learn et génération de jeux de données.
|
|
| Être capable d'extraire des données d'un fichier |
Pandas : manipulation de tables de données. Notion de dataframe.
Manipulation de données relationnelles
Tableaux avec Pandas: indexation, opérations, algèbre relationnelle
Stockage dans des fichiers: CSV, JSonAtelier : construction d'ETL de base entre json et csv
|
|
| Savoir appliquer les pratiques optimales en matière de nettoyage et de préparation des données avant l'analyse |
Encodeurs
Filtres et ETL
Gouvernance des données. Qualité des données.
Transformation de l'information en donnée. Qualification et enrichissement.
Sécurisation et étanchéité des lacs de données.
Flux de données et organisation dans l'entreprise. De la donnée maître à la donnée de travail. MDM.
Mise en oeuvre pratique des différentes phases :
nettoyage,enrichissement,organisation des données.Atelier : construction d'un système de détection de contours
|
|
| Apprendre à mettre en place un modèle d'apprentissage simple |
Les différentes méthodes : apprentissage supervisé, apprentissage automatique.
Algorithmes : régression linéaire, k-voisins,classification naïve bayésienne, arbres de décision, ...Atelier : classifieurs. scoring
APIs fournies en standard, modèles d'apprentissage
Projet scikit-learn : classification, régression, validation de modèles prédictifs.
Démonstrations avec les modèles fournis par scikit-learn
Positionnement et comparaison avec Keras, mxnet, caffeAtelier : codage d'une reconnaissance d'animaux avec une forêt aléatoire
|
|
| Choisir entre la régression et la classification en fonction du type de données |
Présentation des types de données en entrées : données discrètes, données continues. Labelisation, mapping par fonction.
Comprendre les algorithmes : régression linéaire, k-moyennes, k-voisins, classification naïve bayésienne, arbres de décision, forêts aléatoires, ...
Critères de choix des algorithmes.Atelier : construction d'un système décisionnel fondé sur des forêts aléatoires
|
|
| Évaluer les performances prédictives d'un algorithme |
Les courbes d'apprentissage. Définitions : AUC, courbes ROC.
Comprendre le principe des hyper-paramètres. Choix des hyper-paramètres.Atelier : calcul et visualisation d'une matrice de confusion
Atelier : Visualisation de courbes d'apprentissage fonction des hyper-paramètres
Atelier : Visualisation d'une mise en sur-apprentissage
|
|
| Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances |
Présentation de pyspark
Machine learning et deep learning
TensorFlow:principe de fonctionnement, plateformes supportées, distribution,
|
|
| Analyse d'images avec TensorFlow et Keras |
Historique du projet TensorFlow
Fonctionnalités
Architecture distribuée, plateformes supportées
|
|
| Premiers pas avec TensorFlow |
Installation de TensorFlow,
Principe des tenseurs, caractéristiques d'un tenseur: type de données, dimensions
Définition de tenseurs simples,
Gestion de variables et persistance,
Représentation des calculs et des dépendances entre opérations par des graphes
|
|
| Optimisation des calculs |
Calculs distribués : différents types de stratégies (synchrone ou asynchrone),
avec stockage centralisé des données ou dupliqué sur différents cpu
Distribution sur des GPUs
Utilisation de TPUs
Travaux pratiques sur une plateforme multi-GPU (RIG)
|
|
| Présentation des RN |
Principe des réseaux de neurones
Descente de gradient
Multi-Layer Perceptron
|
|
| Présentation de Keras |
Conception d'un réseau de neurones
Différents types de couches: denses, convolutions, activations
Construction d'un modèle complexe
Prédictions et validation d'un modèle
|
|
| Classification d'images avec Keras |
Notion de classification, cas d'usage
Architectures des réseaux convolutifs, réseaux ImageNet
RCNN et SSD
Démonstrations sur les convolutions
|
|
| Optimisation d'un modèle |
Visualisation avec Tensorboard
Optimisation des couches de convolutions
Choix des hyper-paramètres avec Keras et Keras Tuner
Utilisation de checkpoints
|
Téléchargez le programme) :
