Formation tech et intelligence artificielle

Leçon 1 • Comment Fonctionnent les Systèmes Numériques

Couvre les couches matérielles, logicielles et réseau qui sous-tendent tous les systèmes d'IA. Établit le vocabulaire technique utilisé tout au long du cours.

Leçon 2 • Histoire et Évolution de l'IA

Retrace l'IA des systèmes à base de règles à l'apprentissage profond moderne. Fournit un contexte historique qui explique les capacités et les limites actuelles.

Leçon 3 • Les Données comme Ressource Principale

Explique les types de données structurées, non structurées et semi-structurées ainsi que leurs rôles dans l'IA. Lie directement la qualité des données aux performances du modèle.

Leçon 1 • Sources de Données et Méthodes d'Acquisition

Examine les sources de données primaires, secondaires et synthétiques ainsi que les techniques de collecte. Ancre les étudiants dans l'origine des données d'IA du monde réel.

Leçon 2 • Stockage des Données et Conception de Pipelines

Couvre les bases de données, les entrepôts de données et les pipelines automatisés pour un flux continu de données. Garantit que les étudiants peuvent concevoir une infrastructure de données évolutive pour les projets d'IA.

Leçon 3 • Nettoyage et Prétraitement des Données

Enseigne la détection et la correction des valeurs manquantes, des valeurs aberrantes et des incohérences. Améliore directement la précision et la fiabilité en aval du modèle.

Leçon 1 • Techniques d'Apprentissage Non Supervisé

Introduit le clustering, la réduction de dimensionnalité et la détection d'anomalies sans données étiquetées. Développe la capacité des étudiants à extraire des modèles à partir d'ensembles de données non étiquetés.

Leçon 2 • Algorithmes d'Apprentissage Supervisé

Couvre la régression, les arbres de classification et les machines à vecteurs de support avec des exemples travaillés. Construit la boîte à outils algorithmique utilisée dans la plupart des systèmes de ML en production.

Leçon 3 • Entraînement et Optimisation des Modèles

Explique les fonctions de perte, la descente de gradient et le réglage des hyperparamètres. Équipe les étudiants pour améliorer les performances des modèles de manière systématique.

Leçon 4 • Évaluation et Sélection des Modèles

Enseigne la précision, la justesse, le rappel, le score F1, l'AUC-ROC et la validation croisée pour une comparaison équitable des modèles. Empêche le surajustement et le sous-ajustement dans les systèmes déployés.

Leçon 1 • Fondamentaux des Réseaux de Neurones

Explique les neurones, les couches, les fonctions d'activation et la propagation avant. Fournit l'intuition mathématique nécessaire pour tous les sujets d'apprentissage profond à venir.

Leçon 2 • Réseaux de Neurones Convolutionnels

Couvre la convolution, le pooling et l'extraction de cartes de caractéristiques pour les données d'image. Permet aux étudiants de construire des classifieurs d'images et des détecteurs d'objets.

Leçon 3 • Entraîner Efficacement les Modèles Profonds

Aborde la normalisation par lots, le dropout, l'arrêt précoce et l'utilisation du GPU. Réduit les échecs d'entraînement et accélère la convergence en pratique.

Leçon 1 • Ajustement Fin et Adaptation au Domaine

Couvre l'ajustement fin supervisé, les méthodes efficaces en paramètres et les ensembles de données spécifiques au domaine. Prépare les étudiants à personnaliser les LLM pour les besoins organisationnels spécialisés.

Leçon 2 • Ingénierie de Prompts et Applications Génétarives

Développe les compétences en matière de création, d'itération et d'évaluation de prompts pour les sorties d'IA générative. Permet aux étudiants de déployer les LLM dans des flux de travail réels sans réentraînement.

Leçon 3 • Architecture Transformer et Grands Modèles de Langage

Explique les mécanismes d'attention, les blocs transformeurs et les familles de LLM pré-entraînés. Donne aux étudiants la base conceptuelle pour utiliser et ajuster finement les LLM.

Leçon 4 • Représentation Textuelle et Prétraitement

Couvre la tokenisation, le radicalisation, les plongements et le TF-IDF pour convertir le texte en nombres. Établit le pipeline d'entrée pour tous les modèles de NLP.

Leçon 1 • Systèmes d'IA Multimodale

Intègre la vision et le langage dans des modèles unifiés pour le sous-titrage, le QA visuel et la recherche. Prépare les étudiants à la classe croissante de produits d'IA cross-modaux.

Leçon 2 • Segmentation Sémantique et par Instance

Enseigne l'étiquetage au niveau du pixel pour la compréhension de scène et les cas d'utilisation en imagerie médicale. Étend les compétences de détection d'objets à une analyse spatiale plus fine.

Leçon 3 • Classification d'Images et Détection d'Objets

S'appuie sur les connaissances CNN pour mettre en œuvre des classifieurs et des détecteurs sur des ensembles de données d'images réelles. Relie la théorie de l'apprentissage profond aux pipelines de vision pratiques.

Leçon 1 • Mise à l'Échelle de l'Infrastructure IA

Aborde l'entraînement distribué, la mise à l'échelle automatique et l'optimisation des coûts pour les charges de travail importantes. Prépare les étudiants à gérer des systèmes d'IA à l'échelle de l'entreprise.

Leçon 2 • Pipelines CI/CD pour le ML

Adapte les pratiques d'intégration continue et de déploiement continu aux mises à jour des modèles de ML. Permet des publications de modèles fiables et automatisées avec une intervention manuelle minimale.

Leçon 3 • Surveillance et Détection de la Dérive des Modèles

Enseigne la dérive des données, la dérive de concept et la détection de dégradation des performances en production. Garantit que les modèles déployés restent précis dans le temps.

Leçon 4 • Empaquetage et Service des Modèles

Couvre les formats de sérialisation, les API REST et la conteneurisation pour le service des modèles. Fait le pont entre les modèles entraînés et les systèmes de production en direct.

Leçon 1 • Explicabilité et Transparence

Enseigne SHAP, LIME et les fiches modèles pour communiquer les décisions de l'IA aux parties prenantes. Renforce la confiance et soutient la responsabilité dans les applications à enjeux élevés.

Leçon 2 • Sources de Biais et Métriques d'Équité

Cartographie les origines des biais, de la collecte de données aux sorties du modèle, et les quantifie avec des métriques d'équité. Ancre l'analyse éthique dans des termes techniques mesurables.

Leçon 3 • Vie Privée, Sécurité et Droits aux Données

Aborde la confidentialité différentielle, l'apprentissage fédéré et la minimisation des données pour protéger les individus. Relie les contrôles techniques aux obligations de confidentialité.

Leçon 4 • Techniques d'Atténuation des Biais

Couvre les méthodes de débiaisage en prétraitement, en cours de traitement et en post-traitement. Équipe les étudiants pour réduire les résultats discriminatoires sans sacrifier la précision.