Cours d'introduction à l'IA de Google

Leçon 1 • L'impact sociétal et économique de l'IA

Examine comment l'IA transforme les industries, les marchés du travail et la vie quotidienne. Motive les apprenants en reliant les concepts techniques à des résultats tangibles.

Leçon 2 • Définir l'intelligence artificielle

Clarifie ce que l'IA signifie sur le plan technique et courant, en séparant les faits de la fiction. Ancre le chapitre en rattachant tous les concepts subséquents à une définition commune.

Leçon 3 • Terminologie clé de l'IA

Présente le vocabulaire essentiel utilisé tout au long du cours, notamment les algorithmes, les modèles et les données. Permet aux étudiants de lire et de discuter du contenu sur l'IA sans confusion.

Leçon 1 • Types et sources de données

Distingue les données structurées, non structurées et semi-structurées ainsi que leurs origines. Prépare le terrain pour comprendre ce que les systèmes d'IA consomment réellement.

Leçon 2 • Qualité des données et biais

Examine comment des données incomplètes, déséquilibrées ou biaisées corrompent les résultats des modèles. Établit un lien direct entre l'intégrité des données et les résultats en matière d'équité et de fiabilité.

Leçon 3 • Techniques de prétraitement des données

Couvre la normalisation, l'encodage et la conception de caractéristiques comme étapes de préparation avant l'entraînement. Montre comment les données brutes sont transformées en entrées prêtes pour le modèle.

Leçon 1 • Choisir la bonne approche d'apprentissage

Fournit un cadre de décision pour choisir entre l'apprentissage supervisé, non supervisé et par renforcement. Synthétise le chapitre en appliquant les trois paradigmes à des scénarios réalistes.

Leçon 2 • Bases de l'apprentissage par renforcement

Présente les agents, les environnements, les récompenses et les politiques comme les éléments centraux du cadre d'apprentissage par renforcement. Positionne l'apprentissage par renforcement comme un paradigme distinct adapté aux tâches de prise de décision séquentielle.

Leçon 3 • Fondamentaux de l'apprentissage non supervisé

Couvre la façon dont les modèles trouvent des structures cachées dans des données non étiquetées par le regroupement et la réduction de dimensionnalité. Contraste avec l'apprentissage supervisé pour affiner les frontières conceptuelles.

Leçon 1 • Rétropropagation et descente de gradient

Explique comment les erreurs se propagent vers l'arrière pour mettre à jour les poids et réduire la perte. Complète la boucle d'entraînement en reliant la mesure d'erreur à l'ajustement des paramètres.

Leçon 2 • Fonctions de perte et mesure d'erreur

Définit les fonctions de perte comme des mesures quantitatives de l'erreur de prédiction. Relie la mesure d'erreur à l'objectif d'optimisation de l'entraînement.

Leçon 3 • Neurones et architecture de réseau

Explique les neurones artificiels, les couches et comment ils se connectent pour former un réseau. Fournit le vocabulaire structurel nécessaire pour comprendre les mécanismes d'apprentissage.

Leçon 1 • Représentation du texte pour l'IA

Couvre la tokenisation, les plongements et les représentations vectorielles qui convertissent le texte en nombres. Établit la base de prétraitement dont dépendent tous les modèles de TAL.

Leçon 2 • Aperçu de l'architecture Transformer

Explique les mécanismes d'attention et le modèle Transformer qui alimente le TAL moderne. Positionne les Transformers comme le changement architectural permettant les grands modèles de langage.

Leçon 3 • Tâches et applications fondamentales du TAL

Explore l'analyse des sentiments, la reconnaissance d'entités nommées, la traduction et le résumé. Relie les concepts abstraits du TAL à des cas d'utilisation concrets pour les entreprises et les consommateurs.

Leçon 1 • Systèmes d'IA multimodaux

Examine les modèles qui combinent simultanément le texte, l'image, l'audio et d'autres types de données. Positionne l'IA multimodale comme la frontière reliant les capacités de vision et de langage.

Leçon 2 • Tâches de vision au-delà de la classification

Présente la détection d'objets, la segmentation et l'estimation de pose comme des tâches de vision avancées. Élargit la compréhension des étudiants au-delà du simple étiquetage d'images.

Leçon 3 • Comment les machines voient les images

Couvre la représentation des pixels, les canaux de couleur et la façon dont les images brutes deviennent des entrées du modèle. Construit la base perceptive avant d'introduire le traitement par convolution.

Leçon 1 • Transparence et explicabilité

Couvre les limites des boîtes noires et les méthodes d'explicabilité qui rendent les décisions de l'IA interprétables. Relie la transparence à la confiance, à la responsabilité et aux attentes réglementaires.

Leçon 2 • Cadres d'IA responsable

Examine les principes organisationnels et sectoriels pour la gouvernance éthique de l'IA. Équipe les étudiants pour appliquer les directives d'IA responsable au sein de leurs propres organisations.

Leçon 3 • Biais et équité en IA

Analyse comment les biais algorithmiques émergent et leur impact disproportionné sur les groupes marginalisés. Motive l'équité en tant qu'exigence de conception technique et morale.

Leçon 1 • Mesurer l'impact commercial de l'IA

Établit des méthodes pour quantifier le retour sur investissement de l'IA et sa valeur organisationnelle. Clôt le chapitre en reliant les résultats techniques aux résultats commerciaux stratégiques.

Leçon 2 • Sélection de modèles et d'outils

Guide la sélection parmi les API pré-construites, les modèles affinés et les approches d'entraînement personnalisées. Relie l'apprentissage antérieur aux décisions pratiques d'outillage basées sur des contraintes.

Leçon 3 • Construction et itération sur des solutions d'IA

Couvre les cycles de prototypage, d'expérimentation et d'amélioration itérative pour les systèmes d'IA. Renforce le fait que le développement de l'IA est empirique et nécessite une itération structurée.

Leçon 4 • Définition et cadrage de projets d'IA

Enseigne comment traduire un problème commercial en une tâche d'IA bien définie avec des objectifs mesurables. Ancre le chapitre appliqué en établissant la clarté du projet avant tout travail technique.