Formation en intelligence artificielle

Leçon 1 • Éthique de l'IA et conception responsable

Présente les principes de biais, d'équité, de transparence et de redevabilité. Établit le raisonnement éthique comme une contrainte de conception non négociable tout au long du cours.

Leçon 2 • Bases de la représentation des connaissances

Explique la logique propositionnelle, la logique du premier ordre et les réseaux sémantiques, montrant comment les représentations symboliques encodent les faits et les relations. Montre l'intégration combinant des méthodes symboliques et neuronales.

Leçon 3 • Agents intelligents et environnements

Définit les agents rationnels, le cadre PEAS et les types d'environnements. Les étudiants peuvent concevoir des architectures d'agents adaptées à des environnements de tâches spécifiques.

Leçon 4 • Histoire et évolution de l'IA

Retrace l'IA de la logique symbolique à l'apprentissage profond, soulignant les percées pivots. Fournit le contexte pour comprendre pourquoi les techniques modernes ont émergé et où elles excellent.

Leçon 1 • Fondamentaux de l'apprentissage supervisé

Couvre les données étiquetées, les fonctions de perte et l'optimisation basée sur le gradient. Forme l'épine dorsale pour comprendre les réseaux de neurones et les modèles avancés plus tard.

Leçon 2 • Algorithmes de classification en profondeur

Examine la régression logistique, les arbres de décision, les SVM et les k‑NN. Couvre les pipelines d'entraînement, les hyperparamètres et l'évaluation afin que les étudiants puissent implémenter et comparer chaque classifieur sur des ensembles de données de référence.

Leçon 3 • Modèles de régression et de prédiction

Construit des modèles de régression linéaire et polynomiale avec interprétation statistique. Relie la précision des prédictions à la prise de décision commerciale et scientifique.

Leçon 4 • Méthodes d'apprentissage non supervisé

Explore le regroupement, la réduction de dimensionnalité et l'estimation de densité. Les étudiants découvrent des structures cachées dans des données non étiquetées pour l'analyse exploratoire.

Leçon 1 • Rétropropagation et optimisation

Dérive la rétropropagation via la règle de dérivation en chaîne et couvre Adam, RMSProp et SGD. Les étudiants déboguent les gradients qui disparaissent et règlent efficacement les optimiseurs.

Leçon 2 • Réseaux récurrents et modèles séquentiels

Examine les réseaux de neurones récurrents, les unités LSTM et GRU pour modéliser des données séquentielles. Couvre le déroulement, la rétropropagation dans le temps et les considérations pratiques, reliant ces techniques au TALN et à la prévision de séries temporelles.

Leçon 3 • Régularisation et entraînement pratique

Applique l'abandon, l'arrêt précoce et l'entraînement en précision mixte à des réseaux réels. Les étudiants réduisent le surapprentissage et réduisent le temps d'entraînement sur du matériel GPU.

Leçon 4 • Réseaux de neurones convolutionnels

Couvre la convolution, le regroupement et l'interprétation des cartes de caractéristiques pour les tâches d'image. Les étudiants construisent des CNN et appliquent l'apprentissage par transfert à des ensembles de données personnalisés.

Leçon 1 • Intégrations de mots et espace sémantique

Entraîne et applique les intégrations Word2Vec, GloVe et FastText, montrant comment les vecteurs denses capturent la similarité sémantique. Inclut des techniques d'évaluation et des visualisations pour explorer les espaces d'intégration.

Leçon 2 • Analyse approfondie de l'architecture des transformeurs

Dissèque l'auto-attention multi-tête, l'encodage positionnel et les piles encodeur-décodeur. Fournit la compréhension architecturale nécessaire pour affiner les grands modèles de langage.

Leçon 3 • Modèles pré-entraînés et réglage fin

Ajuste finement les variantes BERT, RoBERTa et GPT sur des tâches spécifiques à un domaine. Les étudiants obtiennent des résultats de pointe en TALN avec des données étiquetées limitées.

Leçon 4 • Applications et pipelines de TALN

Construit des pipelines de bout en bout pour l'analyse des sentiments, la REN et le résumé. Intègre le prétraitement, la modélisation et le déploiement dans des systèmes prêts pour la production.

Leçon 1 • Transformeurs de vision et architectures modernes

Applique les transformeurs de vision, CLIP et DINO pour la classification d'images et la reconnaissance sans apprentissage. Explique l'intégration de patchs, l'auto‑attention et l'apprentissage contrastif, reliant les concepts de transformeurs de TALN aux systèmes de vision modernes.

Leçon 2 • Modèles génératifs pour les images

Construit des GAN et des auto-encodeurs variationnels pour synthétiser des images réalistes et effectuer un transfert de style. Explore la manipulation de l'espace latent, les astuces de stabilité d'entraînement et les mesures pour évaluer la qualité et la diversité de la génération.

Leçon 3 • Architectures de détection d'objets

Compare YOLO, Faster R-CNN et SSD pour la détection en temps réel et précise. Les étudiants entraînent des détecteurs sur des ensembles de données personnalisés avec des annotations de boîtes englobantes.

Leçon 4 • Segmentation sémantique et d'instance

Implémente U‑Net et Mask R‑CNN pour la segmentation au niveau du pixel, détaillant les conceptions encodeur‑décodeur et les pipelines de génération de masques. Relie ces techniques à des domaines comme l'imagerie médicale, la conduite autonome et la robotique.

Leçon 1 • Méthodes sans modèle basées sur la valeur

Implémente Q-learning, SARSA et Deep Q-Networks sur des environnements Gym. Les étudiants comprennent l'apprentissage par différence temporelle et le rejeu d'expérience.

Leçon 2 • Processus de décision markoviens

Formalise mathématiquement les états, les actions, les récompenses et la dynamique de transition. Fournit la base théorique pour tous les algorithmes d'apprentissage par renforcement.

Leçon 3 • Apprentissage par renforcement multi-agent et hiérarchique

Étend l'apprentissage par renforcement aux contextes multi-agents coopératifs et compétitifs et aux hiérarchies de compétences. Prépare les étudiants au contrôle de systèmes complexes concrets.

Leçon 4 • Apprentissage par renforcement avancé : PPO et SAC

Applique l'optimisation de politique proximale et l'acteur-critique doux à des tâches complexes. Les étudiants obtiennent un entraînement stable sur des références de contrôle continu.

Leçon 1 • Réglage fin et alignement

Applique le réglage fin supervisé, le RLHF et l'optimisation directe des préférences pour aligner les LLM sur l'intention humaine. Les étudiants créent des modèles spécifiques à un domaine qui suivent les instructions tout en respectant les contraintes de sécurité.

Leçon 2 • Ingénierie des invites et apprentissage en contexte

Applique les techniques d'invite sans exemple, à quelques exemples, de chaîne de pensée et structurées. Une invite efficace multiplie la capacité du modèle sans aucune mise à jour de paramètres.

Leçon 3 • Architecture des LLM et lois de mise à l'échelle

Analyse les architectures GPT, LLaMA et Mistral ainsi que les lois de mise à l'échelle de Chinchilla. Les étudiants prédisent la capacité du modèle à partir des budgets de calcul et de données.

Leçon 4 • Agents LLM et utilisation d'outils

Construit des agents autonomes utilisant ReAct, l'appel de fonctions et des cadres multi-agents. Les étudiants déploient des agents qui planifient, utilisent des outils et accomplissent des tâches en plusieurs étapes.

Leçon 1 • Surveillance et maintenance des modèles

Implémente la détection de dérive, l'alerte et les déclencheurs de réentraînement en production. Empêche la dégradation silencieuse du modèle qui érode la valeur commerciale au fil du temps.

Leçon 2 • Suivi d'expériences et reproductibilité

Utilise MLflow, Weights & Biases et DVC pour enregistrer les expériences de manière systématique. La reproductibilité permet la collaboration en équipe et la conformité réglementaire.

Leçon 3 • Service et déploiement de modèles

Déploie des modèles via des API REST, des pipelines par lots et des environnements d'exécution périphériques. Guide les étudiants à travers la conteneurisation Docker, la sérialisation de modèles et les stratégies de service évolutives pour la performance et la fiabilité.

Leçon 4 • Infrastructure d'entraînement évolutive

Configure l'entraînement distribué avec Horovod et les clusters GPU dans le nuage. Les étudiants réduisent le temps d'entraînement pour les grands modèles grâce à des stratégies de parallélisme.