Formation développeur IA

Leçon 1 • Ce qu'est réellement l'IA

Définit l'IA, l'apprentissage automatique et l'apprentissage profond comme des couches distinctes. Ancre les définitions abstraites dans des tâches de programmation concrètes que les développeurs reconnaissent déjà.

Leçon 2 • Histoire et jalons de l'IA

Retrace les percées clés des premiers perceptrons aux modèles de transformeurs. Fournit un contexte sur la raison pour laquelle les techniques modernes dominent la pratique actuelle.

Leçon 3 • Essentiels mathématiques pour l'IA

Passe en revue l'algèbre linéaire, les probabilités et les concepts de calcul utilisés quotidiennement dans le code d'IA. Met l'accent sur l'intuition et l'application au niveau du code plutôt que sur les preuves formelles.

Leçon 4 • Catégories principales de problèmes d'IA

Mappe l'apprentissage supervisé, non supervisé et par renforcement à des tâches d'ingénierie réelles. Permet aux développeurs de cadrer de nouveaux problèmes dans le paradigme d'apprentissage approprié.

Leçon 1 • Ingénierie et transformation des caractéristiques

Transforme des champs bruts en caractéristiques prêtes pour les modèles par encodage, mise à l'échelle et agrégation. Démontre comment la qualité des caractéristiques a un impact direct sur la précision du modèle.

Leçon 2 • Collecte et ingestion de données

Couvre le raclage Web, l'ingestion par API et l'extraction de bases de données pour les ensembles de données d'IA. Établit les limites légales et éthiques autour de la provenance des données.

Leçon 3 • Construction de pipelines de données reproductibles

Empaquète les transformations de données en étapes de pipeline versionnées et testables. Introduit des outils de versionnement de données pour suivre les changements d'ensembles de données à travers les expériences.

Leçon 4 • Nettoyage et validation des données

Applique des techniques programmatiques pour détecter et corriger les valeurs manquantes, les valeurs aberrantes et les doublons. Valide les schémas et les distributions avant que les données n'entrent dans un pipeline d'entraînement.

Leçon 1 • Regroupement et réduction de dimensionnalité

Applique k-means, DBSCAN, PCA et t-SNE à des tâches de découverte non supervisées. Enseigne les mesures d'évaluation pour les scénarios de données non étiquetées.

Leçon 2 • Modèles basés sur les arbres

Construit des arbres de décision, des forêts aléatoires et des arbres à gradient boosting avec des hyperparamètres réglables. Explique la mécanique d'ensemble qui fait du boosting l'état de l'art sur les données tabulaires.

Leçon 3 • Régression linéaire et logistique

Implémente la régression par descente de gradient à partir de zéro avant d'utiliser des versions de bibliothèques. Établit la boucle de perte-optimisation que tous les modèles ultérieurs partagent.

Leçon 4 • Évaluation et sélection de modèles

Applique la validation croisée, les matrices de confusion, les courbes ROC et les diagrammes de calibration pour comparer les modèles. Empêche les fuites de données par des divisions d'entraînement-validation-test correctes.

Leçon 1 • Anatomie d'un réseau de neurones

Définit les couches, les neurones, les poids, les biais et les fonctions d'activation comme des objets de code composables. Relie la propagation avant à un graphe de calcul différentiable.

Leçon 2 • Entraînement à l'échelle avec des cadres applicatifs

Implémente des boucles d'entraînement dans PyTorch et TensorFlow avec accélération GPU. Couvre les chargeurs de données, l'entraînement en précision mixte et la gestion des points de contrôle.

Leçon 3 • Rétropropagation et optimiseurs

Dérive la rétropropagation via la règle de la chaîne et l'implémente manuellement avant d'utiliser autograd. Compare SGD, Adam et RMSProp sur la vitesse de convergence et la stabilité.

Leçon 4 • Débogage de l'entraînement des réseaux de neurones

Diagnostique les gradients qui disparaissent, les gradients explosifs et les neurones morts à l'aide d'outils de diagnostic. Établit un flux de travail de débogage systématique applicable à n'importe quelle architecture.

Leçon 1 • Apprentissage par transfert et ajustement fin

Adapte les modèles ImageNet pré-entraînés à de nouvelles tâches avec des données étiquetées limitées. Couvre les stratégies de gel de couches et la planification du taux d'apprentissage pour l'ajustement fin.

Leçon 2 • Architectures de détection d'objets

Implémente des détecteurs basés sur des ancres et sans ancres pour localiser des objets dans des images. Évalue les détecteurs à l'aide de la précision moyenne moyenne et des seuils IoU.

Leçon 3 • Réseaux de neurones convolutifs

Explique la convolution, le regroupement et les champs réceptifs comme extracteurs de caractéristiques spatiales. Implémente un CNN à partir de zéro et trace les cartes de caractéristiques à travers chaque couche.

Leçon 4 • Augmentation de données pour la vision

Conçoit des pipelines d'augmentation qui améliorent la généralisation sans corrompre les étiquettes. Couvre les stratégies d'augmentation géométrique, colorimétrique et avancée.

Leçon 1 • Plongée approfondie dans l'architecture de transformeur

Implémente l'auto-attention multi-têtes et l'encodage positionnel à partir de zéro. Trace comment BERT et GPT diffèrent dans leurs objectifs de pré-entraînement et leur utilisation en aval.

Leçon 2 • Ajustement fin des modèles de langage pré-entraînés

Adapte les modèles de la famille BERT aux tâches de classification, de RNE et de RQ avec des têtes spécifiques aux tâches. Applique des méthodes efficaces en paramètres comme LoRA pour réduire le coût de calcul.

Leçon 3 • Ingénierie de requêtes et API LLM

Conçoit des requêtes efficaces pour les LLM ajustés par instruction en utilisant des modèles zero-shot et few-shot. Intègre les API LLM dans du code de production avec un analyse syntaxique de sortie structurée.

Leçon 4 • Représentation et prétraitement du texte

Convertit le texte brut en représentations numériques par tokenisation, plongements et TF-IDF. Établit la chaîne de prétraitement qui alimente tout modèle de TALN.

Leçon 1 • Empaquetage et conteneurisation de modèles

Sérialise les modèles et les enveloppe dans des conteneurs Docker avec isolation des dépendances. Prépare des images de modèles portables déployables sur n'importe quelle cible infonuagique ou sur site.

Leçon 2 • CI/CD pour l'apprentissage automatique

Automatise les tests, la validation et le déploiement des modèles via des pipelines CI/CD spécifiques au ML. Intègre des contrôles de qualité des données et des modèles avant toute promotion en production.

Leçon 3 • Suivi des expériences et reproductibilité

Enregistre les hyperparamètres, les métriques et les artefacts avec MLflow et Weights and Biases. Permet une comparaison reproductible des expériences entre les membres de l'équipe et les exécutions.

Leçon 4 • Service de modèles en tant qu'API

Construit des points de terminaison d'inférence REST et gRPC avec FastAPI et TorchServe. Applique le traitement par lots, la mise en cache et la gestion asynchrone pour répondre aux exigences de latence.

Leçon 1 • Conception de pipelines multi-modèles

Compose des modèles spécialisés en pipelines orchestrés avec une logique de routage et de repli. Applique les principes de conception de systèmes aux exigences de fiabilité spécifiques à l'IA.

Leçon 2 • Agents d'IA et utilisation d'outils

Construit des agents alimentés par LLM qui planifient, appellent des outils et itèrent vers des objectifs de manière autonome. Implémente les modèles ReAct et d'appel de fonctions avec des garde-fous de sécurité.

Leçon 3 • IA responsable et gouvernance

Intègre des audits d'équité, des outils d'explicabilité et des techniques de préservation de la vie privée dans la conception de systèmes. Aligne les systèmes d'IA sur les exigences organisationnelles en matière de risque et de conformité.

Leçon 4 • Infrastructure d'IA évolutive

Provisionne des regroupements de GPU, des travaux d'entraînement distribués et une mise à l'échelle automatique de l'inférence sur les plateformes infonuagiques. Optimise le coût de l'infrastructure grâce aux instances ponctuelles et à la quantification des modèles.