Formation Python pour l'intelligence artificielle

Leçon 1 • Configuration de ton environnement Python

Installe Python, configure des environnements virtuels et choisis un IDE adapté au développement en IA. Cela établit la base technique dont dépend chaque chapitre suivant.

Leçon 2 • Flux de contrôle et boucles

Applique des conditionnelles et des itérations pour automatiser les tâches répétitives de données en IA. Cela permet directement les schémas de traitement par lots utilisés tout au long du cours.

Leçon 3 • Débogage et gestion des erreurs

Lis les tracebacks, utilise un débogueur et écris des blocs try/except pour gérer les erreurs d'exécution. Une gestion fiable des erreurs évite les défaillances silencieuses dans les flux de travail en IA.

Leçon 4 • Syntaxe de base de Python et types de données

Couvre les variables, les opérateurs, les chaînes, les nombres et les booléens avec des exemples pertinents pour l'IA. Fournit le vocabulaire pour toutes les tâches de manipulation de données à venir.

Leçon 1 • Travail avec les chaînes et le texte

Applique les méthodes de chaîne, le formatage et les expressions régulières pour nettoyer les données textuelles brutes. Le prétraitement du texte est une étape fondamentale dans chaque pipeline de NLP et de LLM.

Leçon 2 • Entrées/sorties de fichiers et sérialisation des données

Lis et écris des fichiers texte, CSV et JSON pour conserver et échanger des données d'IA. Relie les scripts Python aux sources de données du monde réel utilisées dans les chapitres suivants.

Leçon 3 • Dictionnaires et ensembles

Stocke des paires clé-valeur et des collections uniques pour une recherche rapide et la déduplication. Ces structures sous-tendent les cartes de caractéristiques et les tables de vocabulaire dans les tâches de NLP.

Leçon 4 • Listes et tuples en profondeur

Manipule des séquences ordonnées à l'aide du découpage, des compréhensions et des méthodes intégrées. Les listes sont le conteneur principal pour les ensembles de données bruts en IA et les sorties de modèles.

Leçon 1 • Algèbre linéaire avec NumPy

Effectue la multiplication matricielle, la décomposition et la résolution de systèmes linéaires. Ces opérations sont le cœur mathématique des réseaux de neurones et de la réduction de dimensionnalité.

Leçon 2 • Indexation, découpage et remodelage

Sélectionne, filtre et remodèle les données de tableau à l'aide de techniques d'indexation avancées. Le remodelage est nécessaire avant d'alimenter les données dans les couches des réseaux de neurones.

Leçon 3 • Agrégations statistiques et échantillonnage aléatoire

Calcule des statistiques descriptives et génère des échantillons aléatoires reproductibles pour les expériences en IA. Un échantillonnage reproductible garantit une évaluation et un étalonnage équitables des modèles.

Leçon 4 • Opérations vectorisées et diffusion

Applique des opérations mathématiques élément par élément et des règles de diffusion pour éviter les boucles Python lentes. La vectorisation est le fondement de la performance de tous les calculs numériques en IA.

Leçon 1 • Regroupement, agrégation et fusion

Résume les données avec groupby et combine les ensembles de données à l'aide des opérations de fusion et de jointure. Ces compétences permettent l'ingénierie des caractéristiques à partir de multiples sources de données relationnelles.

Leçon 2 • Nettoyage et transformation des données

Traite les valeurs manquantes, les doublons et les types incorrects pour produire des ensembles de données propres. La propreté des données détermine directement la qualité des modèles d'IA entraînés.

Leçon 3 • Ingénierie des caractéristiques avec Pandas

Crée de nouvelles caractéristiques par le regroupement en catégories, l'encodage et l'application de fonctions personnalisées. Les caractéristiques conçues ont souvent le plus grand impact sur la précision du modèle.

Leçon 4 • Filtrage, tri et interrogation

Applique des filtres booléens, des chaînes d'interrogation et des opérations de tri pour isoler les données pertinentes. Un sous-ensemble précis est essentiel pour créer des divisions d'entraînement et de validation.

Leçon 1 • Principes fondamentaux de Matplotlib

Construis des graphiques linéaires, à barres et des nuages de points à l'aide de l'API orientée objet de Matplotlib. Une base solide avec Matplotlib soutient chaque bibliothèque de visualisation de niveau supérieur.

Leçon 2 • Flux de travail d'analyse exploratoire des données

Combine Pandas et les outils de visualisation pour profiler systématiquement un nouvel ensemble de données. Une AED structurée réduit les surprises lors de l'entraînement et de l'évaluation du modèle.

Leçon 3 • Visualisation de la performance du modèle

Trace les matrices de confusion, les courbes ROC et les courbes d'apprentissage pour évaluer les modèles d'IA. Les visuels de performance sont essentiels pour diagnostiquer le sous-apprentissage et le surapprentissage.

Leçon 1 • Apprentissage non supervisé et réduction de dimensionnalité

Regroupe les données avec K-Means et réduit les dimensions avec PCA pour l'analyse exploratoire. Les méthodes non supervisées révèlent des structures cachées dans les ensembles de données d'IA non étiquetés.

Leçon 2 • L'API et le flux de travail de Scikit-Learn

Comprends le modèle fit/predict/transform et construis un pipeline d'apprentissage automatique complet. L'API unifiée rend la transition entre les modèles et les étapes de prétraitement transparente.

Leçon 3 • Apprentissage supervisé : classification

Entraîne la régression logistique, les arbres de décision et les classifieurs d'ensemble sur des données étiquetées. La classification est la tâche d'IA la plus courante dans les applications d'affaires et de recherche.

Leçon 4 • Apprentissage supervisé : régression

Prédit des cibles continues à l'aide de modèles de régression linéaire, polynomiale et régularisée. La régression sous-tend les cas d'utilisation de prévision, de tarification et d'estimation de la demande.

Leçon 1 • Boucles d'entraînement et optimisation

Implémente des boucles d'entraînement complètes avec des fonctions de perte, des optimiseurs et des programmes de taux d'apprentissage. Une boucle d'entraînement bien structurée est le cœur de chaque expérience d'apprentissage profond.

Leçon 2 • Construction de réseaux de neurones avec nn.Module

Définis des architectures de réseau personnalisées à l'aide de nn.Module, de couches et de fonctions d'activation. La conception modulaire du réseau permet une expérimentation rapide avec différentes architectures.

Leçon 3 • Réseaux de neurones convolutionnels pour les images

Construis des CNN avec des couches convolutionnelles, de regroupement et entièrement connectées pour les tâches d'image. Les CNN sont l'architecture dominante pour les applications d'IA en vision par ordinateur.

Leçon 4 • Principes fondamentaux des tenseurs et d'Autograd

Crée et manipule des tenseurs PyTorch et comprends la différenciation automatique. Autograd est le moteur de l'apprentissage basé sur le gradient dans tous les modèles d'apprentissage profond.

Leçon 1 • API de LLM et ingénierie de prompt

Appelle les API de LLM, structure les prompts et analyse les réponses pour les tâches en aval. Un prompting efficace améliore considérablement la qualité des résultats sans aucun entraînement du modèle.

Leçon 2 • Bibliothèque Hugging Face Transformers

Charge des modèles et des tokeniseurs pré-entraînés depuis le Hub Hugging Face pour l'inférence. La bibliothèque Transformers donne accès à des milliers de modèles d'IA prêts à l'emploi.

Leçon 3 • Génération augmentée par récupération

Combine la recherche vectorielle avec la génération par LLM pour fonder les réponses sur des documents externes. Le RAG réduit les hallucinations et permet aux LLM de répondre à des questions spécifiques à un domaine.

Leçon 4 • Ajustement fin des LLM sur des données personnalisées

Prépare des ensembles de données et exécute un ajustement fin efficace en paramètres pour adapter les modèles à de nouveaux domaines. L'ajustement fin offre une précision plus élevée que le prompting seul pour les tâches spécialisées.