Formations au coeur des technologies

Essayer, tester, échanger les bonnes pratiques, partager les retours d'expériences, ...
toutes nos formations sont disponibles à distance (classes virtuelles) et en centre de formation (présentiel), au choix.
Vous pouvez même changer de modalité en cours de formation, si vous avez des contraintes : par exemple, commencer en présentiel et continuer les jours suivants à distance.
Les outils pédagogiques et l'infrastructure de travaux pratiques mis à disposition sont accessibles depuis nos locaux, ou depuis votre entreprise ou votre lieu de télétravail, à volonté
N'hésitez pas à tester nos formations et nos serious games !

Formation : Cycle certifiant : développeur robotique

Durée14 jours
Prix8 810 €
Code coursRT050
Inscription

Public:

Chefs de projets, ingénieurs et concepteurs robotiques

Objectifs:

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.

Connaissances préalables nécessaires:

Programme détaillé de la formation


(logo acroreadTéléchargez le programme) :
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 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
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 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
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, caffe
Atelier : 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, JSon
Atelier : 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, caffe
Atelier : 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

Modalités et délais d'accès
Méthodes mobilisées

Pythagore-F.D.

01 55 33 52 10
pfd@pythagore-fd.fr
Calendrier
Code Cours:RT050

Contenu de la formation
Cycle certifiant : développeur robotique:

Accès à la liste des cours



Vous pouvez bien entendu composer votre programme personnel à partir de nos descriptifs de cours