Cours d'intelligence artificielle

Leçon 1 • Histoire et évolution de l’IA

Retrace l’IA de la logique symbolique à l’apprentissage profond moderne, en mettant en évidence les percées déterminantes. Contextualise les capacités actuelles dans des décennies de progrès de la recherche.

Leçon 2 • L’IA dans la pile technologique moderne

Associe les composants de l’IA aux couches d’infrastructure du nuage, des données et des logiciels. Aide les apprenants à comprendre où se situe l’IA dans les architectures système d’entreprise.

Leçon 3 • Paradigmes fondamentaux de l’IA

Présente les paradigmes d’IA basés sur des règles, statistiques et fondés sur l’apprentissage ainsi que leurs compromis. Permet aux apprenants de choisir les paradigmes appropriés pour des types de problèmes donnés.

Leçon 1 • Techniques de prétraitement des données

Enseigne les workflows de nettoyage, de normalisation, d’encodage et de conception de caractéristiques. Prépare directement les apprenants à transformer des données brutes en entrées prêtes pour les modèles.

Leçon 2 • Types et sources de données

Couvre les données structurées, non structurées et semi-structurées ainsi que les canaux d’acquisition courants. Ancre les apprenants dans la diversité des données consommées par les systèmes d’IA.

Leçon 3 • Analyse exploratoire des données

Applique des résumés statistiques et des visualisations pour découvrir des tendances avant la modélisation. Développe une intuition analytique qui améliore les décisions de conception de modèles.

Leçon 4 • Principes de confidentialité et de conformité des données

Présente l’anonymisation, le consentement et la minimisation des données comme concepts fondamentaux de conformité. Veille à ce que les apprenants traitent les données de manière responsable tout au long des projets d’IA.

Leçon 1 • Techniques d’apprentissage non supervisé

Explore le clustering, la réduction de dimensionnalité et la détection d’anomalies sans données étiquetées. Élargit la boîte à outils des apprenants pour les tâches exploratoires et de découverte de motifs.

Leçon 2 • Notions de base de l’apprentissage par renforcement

Présente les agents, les environnements, les récompenses et l’optimisation des politiques dans les tâches de décision séquentielles. Fournit une base conceptuelle pour les applications avancées d’apprentissage par renforcement abordées plus tard.

Leçon 3 • Évaluation et validation des modèles

Enseigne l’exactitude, la précision, le rappel, l’AUC et la validation croisée pour une évaluation rigoureuse des modèles. Garantit que les apprenants peuvent mesurer et communiquer la fiabilité des modèles.

Leçon 4 • Entraînement et optimisation des modèles

Couvre les fonctions de perte, les variantes de descente de gradient et la régularisation pour améliorer l’ajustement des modèles. Permet directement aux apprenants de régler efficacement les modèles dans la pratique.

Leçon 1 • Modèles récurrents et séquentiels

Présente les RNN, les LSTM et les GRU pour le traitement de données séquentielles et de séries temporelles. Fait le pont avec les architectures de transformateurs introduites au chapitre suivant.

Leçon 2 • Rétropropagation et entraînement

Explique la règle de la chaîne, le flux du gradient et les cycles de mise à jour des poids qui entraînent les réseaux de neurones. Donne aux apprenants un aperçu mécaniste pour diagnostiquer et corriger les échecs d’entraînement.

Leçon 3 • Réseaux de neurones convolutionnels

Couvre la convolution, le pooling et les hiérarchies de cartes de caractéristiques pour les tâches sur données d’image et spatiales. Prépare les apprenants à appliquer les CNN à des problèmes de vision par ordinateur.

Leçon 4 • Perceptrons et architecture de réseau

Développe la compréhension des neurones, des couches, des poids et des fonctions d’activation comme éléments constitutifs du réseau. Établit le vocabulaire structurel pour tout le contenu sur l’apprentissage profond.

Leçon 1 • Applications et pipelines de TALN

Applique le TALN à l’analyse des sentiments, à la reconnaissance d’entités nommées, au résumé et à la réponse aux questions. Relie les connaissances théoriques à des systèmes de traitement de texte déployables de bout en bout.

Leçon 2 • Réglage fin et conception de requêtes

Enseigne le réglage fin supervisé, les méthodes efficaces en paramètres et la conception de requêtes pour l’adaptation aux tâches. Permet directement aux apprenants de personnaliser les modèles de langage pour des cas d’utilisation spécifiques.

Leçon 3 • Notions fondamentales sur la représentation du texte

Couvre la tokenisation, le sac de mots, TF-IDF et les plongements de mots comme stratégies d’encodage de texte. Fournit la base représentationnelle pour toutes les entrées des modèles de TALN.

Leçon 4 • Analyse approfondie de l’architecture du transformateur

Explique l’auto-attention, l’attention multi-têtes, l’encodage positionnel et la structure encodeur-décodeur. Permet aux apprenants de comprendre et d’adapter les modèles de langage de pointe.

Leçon 1 • Modèles multimodaux et IA vision-langage

Examine l’apprentissage contrastif de style CLIP et les modèles vision-langage qui font le pont entre le texte et les images. Permet aux apprenants de créer des applications combinant la compréhension visuelle et textuelle.

Leçon 2 • Détection et segmentation d’objets

Présente les détecteurs basés sur des ancres et sans ancres ainsi que la segmentation sémantique et d’instance. Équipe les apprenants pour construire des systèmes qui localisent et classifient des objets dans des images.

Leçon 3 • Notions fondamentales sur le traitement d’images

Couvre la représentation des pixels, les espaces colorimétriques, le filtrage et l’augmentation comme étapes de prétraitement. Établit la littératie en données visuelles nécessaire pour toutes les tâches de vision par ordinateur.

Leçon 4 • Considérations sur le déploiement de l’IA visuelle

Aborde la latence, la compression de modèles et la sélection de matériel pour les systèmes de vision en production. Relie la conception de modèles aux contraintes opérationnelles du monde réel.

Leçon 1 • Cadres de gouvernance responsable de l’IA

Présente les modèles de gouvernance de l’IA basés sur des principes et par niveau de risque pour la surveillance organisationnelle. Permet aux apprenants de mettre en œuvre des structures de responsabilisation tout au long des cycles de vie des projets d’IA.

Leçon 2 • Sécurité de l’IA et atténuation des préjudices

Examine les attaques adversariales, l’injection de requêtes et le filtrage des sorties comme défis de sécurité. Prépare les apprenants à concevoir des systèmes qui résistent aux mauvais usages et minimisent les préjudices.

Leçon 3 • Métriques et audit d’équité

Couvre la parité démographique, les chances égalisées et l’étalonnage comme critères quantitatifs d’équité. Permet aux apprenants d’auditer systématiquement les modèles avant et après le déploiement.

Leçon 4 • Sources et types de biais dans l’IA

Identifie les biais historiques, de mesure et d’agrégation qui s’introduisent dans les systèmes d’IA par les données et la conception. Développe la sensibilisation nécessaire pour traiter de manière proactive les problèmes d’équité.

Leçon 1 • MLOps et pipelines de production

Couvre le CI/CD pour l’apprentissage automatique, les registres de modèles et le réentraînement automatisé pour opérationnaliser l’IA de manière fiable. Fait le pont entre les modèles expérimentaux et les systèmes de qualité production.

Leçon 2 • Surveillance des modèles et détection de dérive

Enseigne la dérive des données, la dérive conceptuelle et la surveillance de la dégradation des performances dans les systèmes en direct. Garantit que les apprenants peuvent maintenir la fiabilité des modèles après le déploiement.

Leçon 3 • Mise à l’échelle de l’infrastructure d’IA

Aborde l’entraînement distribué, les architectures de service de modèles et l’optimisation des coûts à grande échelle. Prépare les apprenants à faire croître les systèmes d’IA sans sacrifier les performances ou le contrôle budgétaire.

Leçon 4 • Identifier les occasions d’IA à forte valeur ajoutée

Applique des critères de faisabilité, d’impact et de disponibilité des données pour prioriser les cas d’utilisation de l’IA. Relie la capacité technique aux objectifs stratégiques de l’entreprise.