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 transformeurs. Fournit le contexte expliquant pourquoi les techniques modernes dominent la pratique actuelle.

Leçon 3 • Initiation aux mathématiques essentielles pour l'intelligence artificielle

Revise les concepts d'algèbre linéaire, de probabilités et de calcul utilisés quotidiennement dans le code IA. Se concentre sur l'intuition et l'application au niveau du code plutôt que sur des preuves formelles.

Leçon 4 • Catégories principales de problèmes d'IA

Cartographie l'apprentissage supervisé, non supervisé et par renforcement avec des tâches d'ingénierie réelles. Permet aux développeurs de cadrer les nouveaux problèmes dans le paradigme d'apprentissage correct.

Leçon 1 • Ingénierie et transformation des caractéristiques

Transforme les champs bruts en caractéristiques prêtes pour le modèle par encodage, mise à l'échelle et agrégation. Démontre comment la qualité des caractéristiques impacte directement la précision du modèle.

Leçon 2 • Collecte et ingestion de données

Couvre le web scraping, l'ingestion via API et l'extraction depuis des bases de données pour les jeux de données IA. Établit les limites légales et éthiques autour de la source des données.

Leçon 3 • Construction de pipelines de données reproductibles

Empaquète les transformations de données dans des étapes de pipeline versionnées et testables. Introduit les outils de versionnement de données pour suivre les changements de jeux de données entre les expériences.

Leçon 4 • Nettoyage et validation des données

Applique des techniques programmatiques pour détecter et corriger les valeurs manquantes, les anomalies 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 métriques 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 ajustables. Explique la mécanique d'ensemble qui rend le boosting à 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 les versions de bibliothèque. Établit la boucle 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 graphiques de calibration pour comparer les modèles. Empêche les fuites de données grâce à des divisions correctes entraînement-validation-test.

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 différenciable.

Leçon 2 • Entraînement à l'échelle avec des frameworks

Implémente les 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 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 pré-entraînés ImageNet à de nouvelles tâches avec peu de données étiquetées. 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 les détecteurs basés sur des ancres et sans ancre pour localiser les objets dans les 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 pooling 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 des données de vision

Conçoit des pipelines d'augmentation qui améliorent la généralisation sans corrompre les étiquettes. Couvre les stratégies d'augmentation géométriques, colorimétriques et avancées.

Leçon 1 • Plongée approfondie dans l'architecture transformeur

Implémente l'auto-attention multi-têtes et l'encodage positionnel à partir de zéro. Montre en quoi 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 NER et de QA avec des têtes spécifiques aux tâches. Applique des méthodes efficaces en termes de paramètres comme LoRA pour réduire le coût de calcul.

Leçon 3 • Ingénierie des invites et API LLM

Conçoit des invites efficaces pour les LLM ajustés par instructions en utilisant des motifs zero-shot et few-shot. Intègre les API LLM dans le code de production avec une analyse de sortie structurée.

Leçon 4 • Représentation et prétraitement du texte

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

Leçon 1 • Empaquetage et conteneurisation des modèles

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

Leçon 2 • CI/CD pour l'apprentissage automatique

Automatise le test, 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 • Servir les modèles en tant qu'APIs

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 IA et utilisation d'outils

Construit des agents basés sur LLM qui planifient, appellent des outils et itèrent vers des objectifs de manière autonome. Implémente les patterns ReAct et d'appel de fonction avec des garde-fous de sécurité.

Leçon 3 • IA responsable et gouvernance

Intègre les audits d'équité, les outils d'explicabilité et les techniques de préservation de la vie privée dans la conception du système. Aligne les systèmes d'IA avec les exigences de risque et de conformité organisationnelles.

Leçon 4 • Infrastructure IA scalable

Provisionne des clusters GPU, des tâches d'entraînement distribuées et la mise à l'échelle automatique de l'inférence sur les plateformes cloud. Optimise le coût de l'infrastructure grâce aux instances spot et à la quantification des modèles.