Machine Learning : État de l'art et bonnes pratiques
- Durée
- Durée :2 jours
- Niveau
- Niveau :Intermédiaire
- Certification
- Certification :Non
1790€ HT
Prochaine session :
TinyML : Introduction au Machine Learning Embarqué
Apprenez à concevoir et déployer des modèles de Machine Learning sur des microcontrôleurs à faible consommationDescription de la formation TinyML
Qu’est-ce que le TinyML ?
Le Tiny Machine Learning (TinyML) est une discipline à la croisée de l’intelligence artificielle et de l’embarqué. Il permet de déployer des modèles d’apprentissage automatique directement sur des dispositifs à ressources limitées, comme des microcontrôleurs ou des capteurs IoT. Grâce aux avancées matérielles et logicielles, le TinyML ouvre la voie à des applications intelligentes locales, sans dépendance au cloud.
Pourquoi suivre une formation TinyML ?
Dans un monde où les objets connectés se multiplient, le besoin d’intelligence embarquée est croissant. Suivre une formation TinyML permet de comprendre comment concevoir, optimiser et implémenter des modèles d’IA capables de fonctionner sur des plateformes très contraintes. Les compétences acquises sont précieuses pour les ingénieurs, data scientists et développeurs cherchant à allier IA, IoT et efficacité énergétique.
Programme de la formation
Objectif opérationnel :
Savoir développer et déployer un modèle de Machine Learning optimisé pour des environnements embarqués à ressources limitées.
Objectif pédagogiques :
À l'issue de cette formation TinyML, vous aurez acquis les connaissances nécessaires pour :
- Comprendre les concepts fondamentaux du TinyML et ses cas d’usage
- Identifier les contraintes matérielles et logicielles des systèmes embarqués
- Maîtriser le flux complet de conception d’un modèle TinyML (entraînement, optimisation, déploiement)
- Utiliser TensorFlow Lite et d’autres frameworks dédiés
- Déployer un modèle sur un microcontrôleur (Arduino, ESP32…)
- Évaluer la performance et la consommation énergétique des modèles TinyML
Jour 1
Matériels cibles : microcontrôleurs, capteurs et plateformes IoT
Contraintes de calcul, mémoire et énergie
Enjeux du traitement local et confidentialité des donnéesTravaux pratiquesObjectif : Identifier les architectures matérielles adaptées au TinyML
Description : Exploration des kits de développement et configuration de l’environnement TensorFlow Lite. Pourquoi privilégier l’inférence locale ?
Alternatives : Edge Impulse, PyTorch Mobile, ONNX Runtime
Outils d’optimisation : quantization, pruning, distillation
Flux complet de développementTravaux pratiquesObjectif : Installer et configurer l’environnement de développement TinyML
Description : Création d’un premier modèle simple sur TensorFlow et export vers microcontrôleur. Comment réduire la taille du modèle ?Jour 2
Préparation et traitement des données
Entraînement sur des données embarquées
Conversion vers TensorFlow Lite et validationTravaux pratiquesObjectif : Concevoir un modèle de classification d’images pour un capteur embarqué
Description : Entraînement d’un modèle de détection d’objets sur dataset restreint et test sur carte Arduino. Quels compromis entre précision et taille du modèle ?
Optimisation mémoire et énergétique
Débogage et monitoring en conditions réelles
Tests de performance et interprétation des résultatsTravaux pratiquesObjectif : Déployer un modèle TinyML complet sur microcontrôleur et mesurer sa performance
Description : Implémentation d’un modèle de reconnaissance sonore sur ESP32. Comparaison entre versions optimisées et non optimiséesJour 3
TinyML pour la vision embarquée
Sécurité et confidentialité des données
Évolutions futures : Federated Tiny Learning, AutoML embarquéTravaux pratiquesObjectif : Identifier un cas d’usage métier et concevoir un prototype fonctionnel
Description : Travail en binôme sur un projet de mini-POC TinyML (capteur intelligent, reconnaissance audio…). Quelles métriques suivre pour évaluer le succès ?
Introduction au TinyML
Définition et positionnement du TinyML dans l’écosystème de l’IAMatériels cibles : microcontrôleurs, capteurs et plateformes IoT
Contraintes de calcul, mémoire et énergie
Enjeux du traitement local et confidentialité des donnéesTravaux pratiquesObjectif : Identifier les architectures matérielles adaptées au TinyML
Description : Exploration des kits de développement et configuration de l’environnement TensorFlow Lite. Pourquoi privilégier l’inférence locale ?
Environnement et outils du TinyML
Présentation de TensorFlow Lite for MicrocontrollersAlternatives : Edge Impulse, PyTorch Mobile, ONNX Runtime
Outils d’optimisation : quantization, pruning, distillation
Flux complet de développementTravaux pratiquesObjectif : Installer et configurer l’environnement de développement TinyML
Description : Création d’un premier modèle simple sur TensorFlow et export vers microcontrôleur. Comment réduire la taille du modèle ?Jour 2
Conception d’un modèle TinyML
Rappel des architectures de réseaux neuronaux légers (CNN, RNN)Préparation et traitement des données
Entraînement sur des données embarquées
Conversion vers TensorFlow Lite et validationTravaux pratiquesObjectif : Concevoir un modèle de classification d’images pour un capteur embarqué
Description : Entraînement d’un modèle de détection d’objets sur dataset restreint et test sur carte Arduino. Quels compromis entre précision et taille du modèle ?
Déploiement et optimisation sur microcontrôleur
Compilation et intégration du modèle dans un firmware C/C++Optimisation mémoire et énergétique
Débogage et monitoring en conditions réelles
Tests de performance et interprétation des résultatsTravaux pratiquesObjectif : Déployer un modèle TinyML complet sur microcontrôleur et mesurer sa performance
Description : Implémentation d’un modèle de reconnaissance sonore sur ESP32. Comparaison entre versions optimisées et non optimiséesJour 3
Cas d’usage et applications avancées
Surveillance industrielle, maintenance prédictive, reconnaissance vocale localeTinyML pour la vision embarquée
Sécurité et confidentialité des données
Évolutions futures : Federated Tiny Learning, AutoML embarquéTravaux pratiquesObjectif : Identifier un cas d’usage métier et concevoir un prototype fonctionnel
Description : Travail en binôme sur un projet de mini-POC TinyML (capteur intelligent, reconnaissance audio…). Quelles métriques suivre pour évaluer le succès ?
Public cible :
Ce cours s’adresse aux ingénieurs, développeurs embarqués, data scientists et chercheurs souhaitant intégrer l’intelligence artificielle dans des dispositifs à faible consommation.
Prérequis :
Avoir des bases en Python et en Machine Learning (TensorFlow ou équivalent) ainsi qu’une compréhension des architectures de microcontrôleurs. Ces connaissances permettront de tirer pleinement parti des aspects techniques du TinyML.
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 23/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage