Cours d'intelligence artificielle et Big Data

Leçon 1 • Rôles clés et parcours professionnels

Associe les rôles professionnels tels qu'ingénieur de données, ingénieur en apprentissage automatique et chercheur en IA aux compétences requises. Aide les étudiants à aligner les objectifs du cours sur leurs objectifs de carrière.

Leçon 2 • Intersection de l'IA et des mégadonnées

Explique comment les grands ensembles de données alimentent l'entraînement des modèles d'IA et comment l'IA extrait de la valeur des mégadonnées. Relie les deux domaines en tant que disciplines se renforçant mutuellement.

Leçon 3 • Concepts fondamentaux des mégadonnées

Définit les cinq V des mégadonnées et explique les défis liés à la vélocité, à la variété et au volume des données. Ancre les étudiants dans les problèmes d'échelle qui motivent l'infrastructure des mégadonnées.

Leçon 4 • Historique et évolution de l'IA

Retrace l'IA du raisonnement symbolique aux jalons de l'apprentissage profond. Établit le contexte historique nécessaire pour comprendre les techniques actuelles abordées plus loin.

Leçon 1 • Construction de pipelines de données évolutifs

Enseigne les modèles d'ingestion par lots et en continu à l'aide de concepts d'orchestration de pipelines. Les étudiants conçoivent des flux de bout en bout qui alimentent les modèles d'IA de manière fiable à grande échelle.

Leçon 2 • Qualité et validation des données

Couvre les vérifications d'exhaustivité, de cohérence et d'exactitude appliquées avant l'entraînement du modèle. Réduit directement les erreurs en aval dans les pipelines d'IA construits dans les chapitres suivants.

Leçon 3 • Sources de données et acquisition

Passe en revue les sources de données structurées, semi-structurées et non structurées, y compris les API et l'extraction de données Web. Prépare les étudiants à identifier et à accéder aux données pertinentes pour tout projet.

Leçon 4 • Architectures de stockage de données

Compare les bases de données relationnelles, les magasins NoSQL, les lacs de données et les entrepôts de données. Les étudiants choisissent le stockage approprié en fonction du type de données et des modèles de requête.

Leçon 1 • Analyse exploratoire des données

Utilise des résumés statistiques et des visualisations pour découvrir les distributions, les corrélations et les anomalies. Guide les décisions de sélection des caractéristiques prises dans les sections suivantes.

Leçon 2 • Techniques de nettoyage des données

Traite les valeurs manquantes, les valeurs aberrantes et le bruit à l'aide de méthodes d'imputation et de filtrage. Des données propres sont la condition préalable à toutes les étapes d'ingénierie des caractéristiques qui suivent.

Leçon 3 • Ingénierie des caractéristiques pour les mégadonnées

Adapte les workflows de prétraitement aux environnements distribués à l'aide de cadres de traitement parallèle. Fait le pont entre les techniques sur machine unique et les pipelines de mégadonnées à l'échelle de la production.

Leçon 4 • Encodage et transformation

Convertit les variables catégorielles et met à l'échelle les caractéristiques numériques pour la compatibilité avec les algorithmes. Garantit que les caractéristiques répondent aux hypothèses mathématiques des modèles d'apprentissage automatique présentés ensuite.

Leçon 1 • Passage à l'échelle de l'apprentissage automatique pour les mégadonnées

Adapte les workflows d'apprentissage automatique aux cadres d'informatique distribuée pour l'entraînement à grande échelle. Relie les concepts d'apprentissage automatique sur machine unique à l'infrastructure de mégadonnées présentée précédemment.

Leçon 2 • Algorithmes d'apprentissage supervisé

Couvre la régression, les arbres de décision, les SVM et les méthodes d'ensemble avec leur intuition mathématique. Fournit la boîte à outils algorithmique appliquée aux ensembles de données étiquetés tout au long du chapitre.

Leçon 3 • Techniques d'apprentissage non supervisé

Présente le clustering, la réduction de dimensionnalité et la détection d'anomalies pour les données non étiquetées. Élargit la boîte à outils de l'étudiant au-delà des scénarios étiquetés couverts dans l'apprentissage supervisé.

Leçon 4 • Entraînement et optimisation des modèles

Explique les fonctions de perte, les variantes de descente de gradient et les stratégies de réglage des hyperparamètres. Les étudiants configurent des boucles d'entraînement qui convergent efficacement vers des solutions de qualité.

Leçon 1 • Modèles récurrents et séquentiels

Présente les RNN, les LSTM et les GRU pour les tâches de séries temporelles et de langage naturel. Étend l'apprentissage profond aux dépendances séquentielles non capturées par les réseaux feedforward.

Leçon 2 • Entraînement des réseaux profonds à grande échelle

Traite la normalisation par lots, le dropout, la planification du taux d'apprentissage et l'entraînement GPU distribué. Les étudiants appliquent ces techniques pour stabiliser et accélérer l'entraînement de grands modèles.

Leçon 3 • Réseaux de neurones convolutifs

Couvre la convolution, le pooling et les hiérarchies de cartes de caractéristiques pour les données d'image et spatiales. S'appuie sur les bases des réseaux de neurones pour traiter les entrées visuelles de grande dimension.

Leçon 4 • Fondamentaux des réseaux de neurones

Explique les perceptrons, les fonctions d'activation, la rétropropagation et la topologie de réseau. Fournit les bases mathématiques requises pour toutes les architectures d'apprentissage profond à venir.

Leçon 1 • Principes de l'informatique distribuée

Couvre MapReduce, la tolérance aux pannes, le partitionnement des données et la gestion des ressources du cluster. Fournit le modèle conceptuel sous-jacent à tous les cadres distribués utilisés dans ce chapitre.

Leçon 2 • Files d'attente de messages et flux de données en continu

Explique la messagerie publication-abonnement, le partitionnement des sujets et les modèles de groupes de consommateurs. Permet aux étudiants de connecter de manière fiable les sources de flux aux cadres de traitement.

Leçon 3 • Intégration de l'apprentissage automatique avec les cadres de mégadonnées

Combine Spark MLlib et l'inférence en continu pour déployer des modèles dans des pipelines distribués. Unifie les compétences en apprentissage automatique et en mégadonnées développées dans les chapitres précédents.

Leçon 4 • Traitement par lots avec Spark

Utilise les API RDD et DataFrame d'Apache Spark pour les transformations par lots à grande échelle. Applique les principes de l'informatique distribuée à des tâches réelles de transformation de données.

Leçon 1 • CI/CD pour l'apprentissage automatique

Applique des pipelines d'intégration et de livraison continues pour automatiser les tests et la publication des modèles. Réduit les erreurs manuelles et accélère le passage de l'expérience à la production.

Leçon 2 • Emballage et service des modèles

Couvre la conteneurisation, le service via API REST et les formats de sérialisation des modèles pour le déploiement. Transforme les modèles entraînés en services prêts pour la production accessibles par les applications.

Leçon 3 • Suivi des expériences et reproductibilité

Utilise la journalisation des métadonnées, le versionnement des artefacts et la gestion de l'environnement pour reproduire les résultats. Soutient le développement collaboratif des modèles et les exigences de vérification réglementaire.

Leçon 4 • Surveillance des modèles et détection de la dérive

Suit la dérive des données, la dérive du concept et la dégradation des performances à l'aide d'outils de surveillance statistique. Garantit que les modèles déployés restent précis à mesure que les distributions de données du monde réel changent.

Leçon 1 • Tendances émergentes en IA et mégadonnées

Passe en revue l'apprentissage fédéré, le calcul neuromorphique et les plateformes de données natives de l'IA. Prépare les étudiants à anticiper et à évaluer les technologies qui façonneront la prochaine décennie.

Leçon 2 • IA générative et grands modèles de langage

Examine le pré-entraînement, le réglage fin et l'ingénierie des invites pour les grands modèles de langage. Équipe les étudiants pour tirer parti et personnaliser l'IA générative pour les applications d'entreprise.

Leçon 3 • Fondamentaux de l'apprentissage par renforcement

Couvre les processus de décision markoviens, la conception de la récompense et les algorithmes d'optimisation des politiques. Étend les compétences d'apprentissage supervisé à la prise de décision séquentielle et aux agents autonomes.

Leçon 4 • Stratégie d'IA et alignement commercial

Cadre les décisions d'investissement en IA, la mesure du ROI et l'évaluation de la maturité organisationnelle. Permet aux étudiants de traduire les capacités techniques en valeur commerciale stratégique.