Formation IA

Leçon 1 • Aperçu des Principaux Sous-Domaines de l'IA

Cartographie le paysage de l'apprentissage automatique, la vision par ordinateur, la PNL et la robotique. Aide les apprenants à identifier quel sous-domaine s'applique à leurs cas d'utilisation.

Leçon 2 • Comment les Machines Apprennent à partir des Données

Explique l'apprentissage supervisé, non supervisé et par renforcement à un niveau conceptuel. Relie les paradigmes d'apprentissage à des types de problèmes du monde réel.

Leçon 3 • Bref Historique du Développement de l'IA

Retrace l'IA de la logique symbolique aux réseaux de neurones modernes. Fournit le contexte expliquant pourquoi les techniques actuelles dominent le domaine.

Leçon 4 • Ce que l'IA Est et N'est Pas

Clarifie les idées fausses courantes et établit des définitions précises de l'IA, de l'apprentissage automatique et de l'apprentissage profond. Définit le vocabulaire partagé utilisé tout au long du cours.

Leçon 1 • Compréhension des Types et Structures de Données

Couvre les données structurées, non structurées et semi-structurées et leurs rôles dans les pipelines d'IA. Établit le vocabulaire des données nécessaire pour tous les chapitres suivants.

Leçon 2 • Collecte et Provenance des Données

Examine les méthodes de collecte de données, y compris les enquêtes, les API, le web scraping et les capteurs. Met en évidence les compromis entre la richesse des données et le coût de collecte.

Leçon 3 • Qualité et Nettoyage des Données

Identifie les problèmes courants de qualité des données tels que les valeurs manquantes, les doublons et les valeurs aberrantes. Enseigne des flux de travail de nettoyage systématiques qui améliorent la fiabilité des modèles.

Leçon 4 • Sensibilisation au Biais et à l'Équité des Données

Identifie les sources de biais dans les ensembles de données et leurs effets en aval sur les sorties de l'IA. Prépare les apprenants à signaler et à atténuer les biais avant l'entraînement du modèle.

Leçon 1 • Entraînement et Optimisation des Modèles

Explique la boucle d'entraînement, les fonctions de perte et l'optimisation par descente de gradient. Construit l'intuition pour comprendre pourquoi les modèles s'améliorent et quand ils stagnent.

Leçon 2 • Algorithmes d'Apprentissage Supervisé

Couvre la régression, les arbres de décision et les machines à vecteurs de support avec des explications intuitives. Relie le choix de l'algorithme aux caractéristiques des données et aux objectifs commerciaux.

Leçon 3 • Surapprentissage, Sous-apprentissage et Régularisation

Diagnostique le compromis biais-variance et applique la régularisation pour améliorer la généralisation. Prépare directement les apprenants pour un déploiement logiciel robuste.

Leçon 4 • Techniques d'Apprentissage Non Supervisé

Explore le clustering et la réduction de dimensionnalité pour les ensembles de données non étiquetés. Montre comment ces techniques révèlent des structures cachées dans les données commerciales.

Leçon 1 • Rétropropagation et Mises à Jour des Poids

Explique comment les gradients circulent en arrière pour mettre à jour les poids pendant l'entraînement. Relie l'intuition mathématique à la stabilité pratique de l'entraînement.

Leçon 2 • Apprentissage par Transfert et Modèles Pré-entraînés

Montre comment exploiter les poids pré-entraînés pour accélérer l'entraînement sur de nouvelles tâches. Réduit le coût de calcul et les besoins en données pour les projets pratiques.

Leçon 3 • Bases de l'Architecture des Réseaux de Neurones

Introduit les neurones, les couches, les poids et les fonctions d'activation comme éléments de base. Établit le vocabulaire structurel pour tous les sujets d'apprentissage profond à venir.

Leçon 4 • Réseaux de Neurones Convolutifs

Couvre la convolution, le pooling et l'extraction de cartes de caractéristiques pour les tâches d'image. Prépare les apprenants à appliquer les CNN aux problèmes de reconnaissance visuelle.

Leçon 1 • Plateformes et Services Cloud pour l'IA

Passe en revue les services d'IA gérés pour l'entraînement, l'inférence et le stockage cloud. Réduit la charge liée à l'infrastructure et accélère le temps de déploiement.

Leçon 2 • Suivi des Expériences et Gestion de Versions

Couvre la journalisation des hyperparamètres, des métriques et des artefacts à travers les cycles d'entraînement. Permet la reproductibilité et la comparaison systématique des itérations de modèles.

Leçon 3 • Construction d'un Pipeline de ML de Bout en Bout

Intègre l'ingestion de données, le prétraitement, l'entraînement, l'évaluation et le déploiement dans un seul flux de travail. Montre comment des outils individuels se connectent pour former un système prêt pour la production.

Leçon 4 • Frameworks et Bibliothèques Logicielles de ML de Base

Introduit les principaux frameworks open source pour la construction et l'entraînement de modèles. Compare leurs forces pour guider le choix du framework selon les différents types de projets.

Leçon 1 • Applications et Cas d'Utilisation de la PNL

Applique la PNL à l'analyse des sentiments, à la reconnaissance d'entités nommées, au résumé et à la traduction. Montre la construction de pipeline de bout en bout pour chaque type de tâche.

Leçon 2 • Prétraitement et Représentation du Texte

Couvre la tokenisation, le stemming, la suppression des mots vides et les méthodes de vectorisation. Prépare le texte brut pour la consommation par les modèles de PNL en aval.

Leçon 3 • Grands Modèles de Langage en Pratique

Examine comment les LLM sont pré-entraînés et affinés pour des tâches en aval. Relie les capacités des modèles à des cas d'utilisation pratiques de génération de texte et de classification.

Leçon 4 • Plongements Lexicaux et Sens Sémantique

Explique les représentations vectorielles denses qui capturent les relations sémantiques entre les mots. Permet aux modèles de généraliser à travers les synonymes et les concepts connexes.

Leçon 1 • Intégration Continue pour le ML

Applique les pratiques d'IC logicielles aux pipelines d'entraînement, de test et de validation des modèles. Assure des contrôles de qualité du code et des modèles avant tout déploiement.

Leçon 2 • Surveillance des Modèles et Détection de Dérive

Suit la qualité des prédictions, la dérive des données et la dérive de concept dans les systèmes en direct. Permet une intervention proactive avant que la dégradation du modèle n'affecte les résultats commerciaux.

Leçon 3 • Gouvernance et Documentation des Modèles

Établit des fiches de modèle, des pistes d'audit et des flux de validation pour un déploiement responsable. Relie le déploiement technique aux normes de responsabilité organisationnelle.

Leçon 4 • Empaquetage et Service des Modèles

Couvre les formats de sérialisation, la conteneurisation et la création d'API REST pour servir les modèles. Fait le pont entre un modèle entraîné et une application en direct.

Leçon 1 • Élaboration d'une Stratégie d'IA pour les Organisations

Guide la priorisation des cas d'utilisation de l'IA, le développement des capacités et la mesure du retour sur investissement. Équipe les apprenants pour promouvoir l'adoption de l'IA à un niveau de leadership stratégique.

Leçon 2 • Évaluation et Gestion des Risques de l'IA

Identifie les risques techniques, opérationnels et de réputation dans les déploiements d'IA. Enseigne la notation structurée des risques et la planification des mesures d'atténuation pour les initiatives d'IA.

Leçon 3 • Principes et Cadres d'Éthique de l'IA

Passe en revue l'équité, la responsabilité, la transparence et la vie privée comme piliers éthiques fondamentaux. Fournit un cadre de décision applicable à tout projet ou produit IA.

Leçon 4 • Paysage Réglementaire et de Conformité

Examine les obligations de protection des données, les exigences de responsabilité algorithmique et les règles d'IA spécifiques aux secteurs. Prépare les apprenants à naviguer dans la conformité sans expertise juridique.