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 avancées cruciales. Contextualise les capacités actuelles dans des décennies de progrès de recherche.

Leçon 2 • L'IA dans la Stack Technologique Moderne

Cartographie les composants de l'IA sur les couches d'infrastructure cloud, de données et de logiciels. Aide les apprenants à comprendre où se situe l'IA dans les architectures technologiques d'entreprise.

Leçon 3 • Paradigmes Fondamentaux de l'IA

Présente les paradigmes d'IA basés sur des règles, statistiques et basés sur l'apprentissage, ainsi que leurs compromis. Équipe les apprenants pour sélectionner les paradigmes appropriés pour des types de problèmes donnés.

Leçon 1 • Techniques de Prétraitement des Données

Enseigne les flux de travail de nettoyage, de normalisation, d'encodage et d'ingénierie des 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 entrées de données que les systèmes d'IA consomment.

Leçon 3 • Analyse Exploratoire des Données

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

Leçon 4 • Principes de Confidentialité et Conformité des Données

Présente l'anonymisation, le consentement et la minimisation des données comme concepts fondamentaux de conformité. Garantit 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 schémas.

Leçon 2 • Bases de l'Apprentissage par Renforcement

Présente les agents, les environnements, les récompenses et l'optimisation des politiques dans les tâches de décision séquentielle. Fournit une base conceptuelle pour les applications avancées de RL couvertes 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 de manière fiable la performance 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 d'ajuster les modèles efficacement dans la pratique.

Leçon 1 • Modèles Récurrents et Séquentiels

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

Leçon 2 • Rétropropagation et Entraînement

Explique la règle de la chaîne, le flux de 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

Construit 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 NLP

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

Leçon 2 • Ajustement Fin et Ingénierie de Prompts

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

Leçon 3 • Fondamentaux de la Représentation Textuelle

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

Leçon 4 • Plongée dans l'Architecture des Transformateurs

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 type CLIP et les modèles vision-langage qui font le pont entre le texte et les images. Permet aux apprenants de construire 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 les images.

Leçon 3 • Fondamentaux du Traitement d'Image

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

Leçon 4 • Considérations de Déploiement de l'IA Visuelle

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

Leçon 1 • Cadres de Gouvernance Responsable de l'IA

Passe en revue les modèles de gouvernance basés sur des principes et par niveaux de risque pour la supervision organisationnelle de l'IA. Permet aux apprenants de mettre en œuvre des structures de responsabilité 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 prompts 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 d'Équité et Audit

Couvre la parité démographique, l'égalité des chances 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 pénètrent les systèmes d'IA par les données et la conception. Construit la sensibilisation nécessaire pour aborder proactivement les problèmes d'équité.

Leçon 1 • MLOps et Pipelines de Production

Couvre le CI/CD pour le ML, 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 de concept 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 • Passage à l'Échelle de l'Infrastructure 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 la performance ou le contrôle budgétaire.

Leçon 4 • Identification des Occasions d'IA à Forte Valeur

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