Vakansy Aogositra

Atrikasa ho an'ny tanora sy makers

Andiany voalohany hianarana mamorona lalao, mampiasa elektronika ary mahafantatra zavatra mifandray.

8 ka hatramin'ny 13 taona

Explorateurs

Mamorona, milalao, mahatakatra

Lalana mahafinaritra hahafantarana ny tontolo nomerika sy hanatanterahana ireo tetikasa famoronana voalohany.

Fandaharana

Fahafantarana ny tontolo nomerika
Famoronana animation sy lalao kely
Fampidirana amin'ny teknolojia sy elektronika
Tetikasa farany haseho

Ohatra amin'ny tetikasa

Lalao kely
Animation mifandray
Zavatra misy jiro
Fanamby famoronana
Tetikasa manokana

14 ka hatramin'ny 17 taona

Makers

Mieritreritra, manamboatra, manandrana

Lalana mamorona hijerena ny fandaharana, ny intelligence artificielle ary ny teknolojia mifandray amin'ny alalan'ny tetikasa azo tsapain-tanana.

Fandaharana

Fahafantarana ny intelligence artificielle générative
Famoronana nomerika sy fandaharana mamorona
Fampidirana amin'ny teknolojia sy elektronika
Tetikasa farany haseho

Ohatra amin'ny tetikasa

Lalao kely mamorona
Fanandramana mifandray
Tetikasa ampian'ny AI
Zavatra elektronika tsotra
Tetikasa manokana

Datin'ny atrikasa

3 hatramin'ny 14 Aogositra 2026

Mikatona ny fisoratana anarana.

Fotoam-pianarana 8 maharitra adiny 3. Voafetra ny toerana mba hiantohana fanohanana tsara.

Farafahakeliny: mpandray anjara 6 isaky ny vondrona

Farafahabetsany: mpandray anjara 8 isaky ny vondrona

Sakafo maivana sy rano: omen'ny laboratoara

Solosaina: afaka mitondra solosaina ny ankizy, saingy tsy voatery

Ateliers d'ingénierie en Intelligence Artificielle

Comprendre et construire les mécanismes de l'intelligence artificielle

Programme en préparationTrois modules proposés progressivement

Le Laboratoire Créatif propose une série d'ateliers consacrés aux fondements de l'intelligence artificielle. Notre approche est différente des formations centrées sur les frameworks ou les outils : l'objectif est de comprendre les mécanismes qui permettent aux algorithmes d'apprendre, puis de les implémenter progressivement afin de maîtriser leurs principes de fonctionnement.

Une approche fondée sur la compréhension

Ces ateliers privilégient la compréhension, le raisonnement et l'expérimentation.

Les concepts étudiés sont indépendants des technologies utilisées et restent applicables quels que soient les langages de programmation ou les bibliothèques employés.

Les modules ci-dessous seront proposés progressivement au sein du Laboratoire Créatif.

Ce que ces ateliers proposent

✅ Comprendre les mécanismes qui permettent aux algorithmes d'apprendre
✅ Implémenter progressivement les principes étudiés
✅ Raisonner et expérimenter à partir des fondements scientifiques et techniques
✅ Acquérir des connaissances indépendantes des outils utilisés

Ce que ces ateliers ne sont pas

❌ Une formation à TensorFlow, PyTorch ou à un framework particulier
❌ Une formation au Prompt Engineering
❌ Une formation à l'utilisation d'outils d'intelligence artificielle générative
❌ Une préparation à une certification

Une approche indépendante des outils

Les frameworks évoluent, les langages changent et les bibliothèques apparaissent et disparaissent. En revanche, les principes fondamentaux des réseaux de neurones restent les mêmes.

Ces ateliers ne reposent sur aucun framework particulier. Les exercices peuvent être réalisés dans le langage de programmation maîtrisé par chaque participant.

L'accent est mis sur les concepts et leur compréhension plutôt que sur l'apprentissage d'un outil spécifique.

Python
C#
Java
JavaScript / TypeScript
C++
Go
Rust
Tout autre langage maîtrisé

Module 1 Les fondements des réseaux de neurones

Objectif

Comprendre les principes fondamentaux des réseaux de neurones artificiels et construire progressivement un premier modèle complet sans utiliser de bibliothèque spécialisée.

Au programme

Introduction au Machine Learning

Qu'est-ce que le Machine Learning ?
Les principaux types d'apprentissage
Pourquoi les réseaux de neurones ?

Le neurone artificiel

Inspiration biologique
Entrées, poids et biais
Fonctions d'activation
Production d'une prédiction

Le perceptron

Fonctionnement
Apprentissage
Limites du perceptron simple

Les réseaux multicouches

Pourquoi plusieurs couches ?
Représentation des données
Construction progressive d'un réseau

Comprendre l'apprentissage

Fonction de coût
Mesure de l'erreur
Intuition de l'optimisation

Descente de gradient

Recherche d'un minimum
Influence du taux d'apprentissage
Convergence

Rétropropagation

Principe général
Calcul des gradients
Mise à jour des poids

Mise en pratique, exemples selon les sessions

Construction progressive d'un réseau de neurones
Implémentation sans framework
Analyse détaillée de chaque étape du calcul
Tests sur un problème simple de classification

À l'issue du module

Comprendre le fonctionnement complet d'un réseau de neurones dense
Expliquer les principales étapes de l'apprentissage
Implémenter un réseau de neurones simple sans bibliothèque spécialisée
Adapter les concepts au langage de programmation de son choix

Module 2 Les réseaux convolutifs (CNN)

Objectif

Comprendre comment les réseaux convolutifs permettent d'analyser automatiquement des images et construire progressivement un premier CNN.

Au programme

Pourquoi les CNN ?

Les limites des réseaux de neurones classiques
Les spécificités des images numériques
Les principes des réseaux convolutifs

Comprendre une image

Pixels
Canaux de couleur
Représentation matricielle

Les convolutions

Principe fondamental
Filtres
Noyaux
Détection de motifs
Extraction de caractéristiques

Les cartes de caractéristiques

Feature Maps
Construction des représentations intermédiaires

Le Pooling

Réduction de dimension
Robustesse aux variations

Architecture d'un CNN

Empilement des couches
Flux des données
Classification

Mise en pratique

Construction progressive d'un réseau convolutif
Implémentation des opérations fondamentales
Analyse détaillée des calculs
Application à un problème simple de classification d'images

Ouverture

Architectures modernes
ResNet
MobileNet
EfficientNet

À l'issue du module

Comprendre le fonctionnement d'un réseau convolutif
Expliquer le rôle des convolutions et du pooling
Analyser le traitement d'une image par un CNN
Implémenter les principes fondamentaux d'un réseau convolutif

Module 3 L'IA embarquée sur ESP32-S3

Objectif

Découvrir comment concevoir, optimiser et déployer des modèles d'intelligence artificielle directement sur un microcontrôleur ESP32-S3. L'atelier s'appuie principalement sur une carte ESP32-S3 CAM N16R8, utilisée comme plateforme de développement pour les expérimentations.

Au programme

Introduction au TinyML

Qu'est-ce que l'IA embarquée ?
Pourquoi exécuter un modèle directement sur un microcontrôleur ?
Contraintes des systèmes embarqués

Découverte de l'ESP32-S3

Architecture matérielle
Mémoire Flash et PSRAM
Capacités de calcul
Caméra intégrée
Accélérations matérielles disponibles

Préparation des données

Acquisition avec la caméra
Prétraitement des images
Constitution d'un jeu de données
Notions d'entraînement hors cible

Optimisation des modèles

Taille mémoire
Quantification (INT8)
Choix des architectures adaptées
Compromis entre précision et performances

Déploiement

Conversion du modèle
Intégration dans un projet ESP32-S3
Exécution de l'inférence
Analyse des temps de calcul
Gestion de la mémoire

Mise en pratique

Classification d'objets
Reconnaissance de formes
Détection d'états simples
Traitement d'images embarqué

Perspectives

Vision artificielle embarquée
Robotique autonome
Objets connectés intelligents
Systèmes industriels
TinyML

À l'issue du module

Comprendre les contraintes propres à l'IA embarquée
Préparer un modèle pour une exécution sur ESP32-S3
Déployer un modèle de Deep Learning sur un microcontrôleur
Analyser les performances et les limitations d'un système embarqué

Prérequis

Ces ateliers s'adressent aux personnes disposant déjà de bases en programmation.

Maîtriser au moins un langage de programmation
Être à l'aise avec l'algèbre et les fonctions mathématiques de base
Comprendre les notions de dérivée et de pente
Disposer de son propre ordinateur portable

Un court test de positionnement pourra être proposé afin de constituer un groupe homogène et de garantir le bon déroulement des ateliers.

Public concerné

Étudiants
Développeurs
Ingénieurs
Enseignants
Chercheurs
Autodidactes souhaitant approfondir les fondements de l'intelligence artificielle

Format

Effectif volontairement limité afin de favoriser les échanges
Accompagnement personnalisé
Nombre de participants limité
Programme évolutif avec de nouveaux modules à venir

Liana hisoratra anarana?

Mifandraisa aminay hamandrika toerana na hanontany ny daty manaraka.

Hangataka toerana