Cours d'introduction à l'IA de Google

Leçon 1 • L'impact sociétal et économique de l'IA

Examine comment l'IA transforme les industries, les marchés du travail et la vie quotidienne. Motive les apprenants en reliant les concepts techniques à des résultats tangibles.

Leçon 2 • Définir l'intelligence artificielle

Clarifie ce que l'IA signifie techniquement et familièrement, en séparant la réalité de la fiction. Ancre le chapitre en rattachant tous les concepts ultérieurs à une définition partagée.

Leçon 3 • Terminologie clé de l'IA

Introduit le vocabulaire essentiel utilisé tout au long du cours, y compris les algorithmes, les modèles et les données. Garantit que les étudiants peuvent lire et discuter du contenu sur l'IA sans confusion.

Leçon 1 • Types et sources de données

Distingue les données structurées, non structurées et semi-structurées et leurs origines. Prépare le terrain pour comprendre ce que les systèmes d'IA consomment réellement.

Leçon 2 • Qualité des données et biais

Examine comment des données incomplètes, déséquilibrées ou biaisées corrompent les sorties du modèle. Relie directement l'intégrité des données aux résultats d'équité et de fiabilité.

Leçon 3 • Techniques de prétraitement des données

Couvre la normalisation, l'encodage et l'ingénierie des caractéristiques en tant qu'étapes de préparation avant l'entraînement. Montre comment les données brutes sont transformées en entrées prêtes pour le modèle.

Leçon 1 • Choisir la bonne approche d'apprentissage

Fournit un cadre de décision pour choisir entre l'apprentissage supervisé, non supervisé et par renforcement. Synthétise le chapitre en appliquant les trois paradigmes à des scénarios réalistes.

Leçon 2 • Bases de l'apprentissage par renforcement

Introduit les agents, les environnements, les récompenses et les politiques comme cadre central du RL. Positionne le RL comme un paradigme distinct adapté aux tâches de prise de décision séquentielle.

Leçon 3 • Fondamentaux de l'apprentissage non supervisé

Couvre la façon dont les modèles trouvent des structures cachées dans des données non étiquetées par le regroupement et la réduction de dimensionnalité. Contraste avec l'apprentissage supervisé pour affiner les frontières conceptuelles.

Leçon 1 • Rétropropagation et descente de gradient

Explique comment les erreurs se propagent en arrière pour mettre à jour les pondérations et réduire la perte. Termine la boucle d'entraînement en reliant la mesure de l'erreur à l'ajustement des paramètres.

Leçon 2 • Fonctions de perte et mesure de l'erreur

Définit les fonctions de perte comme des mesures quantitatives de l'erreur de prédiction. Relie la mesure de l'erreur à l'objectif d'optimisation de l'entraînement.

Leçon 3 • Neurones et architecture du réseau

Explique les neurones artificiels, les couches et comment ils se connectent pour former un réseau. Fournit le vocabulaire structurel nécessaire pour comprendre les mécanismes d'apprentissage.

Leçon 1 • Représentation du texte pour l'IA

Couvre la tokenisation, les plongements et les représentations vectorielles qui convertissent le texte en nombres. Établit la base de prétraitement dont dépendent tous les modèles NLP.

Leçon 2 • Aperçu de l'architecture Transformer

Explique les mécanismes d'attention et le modèle Transformer qui alimente le NLP moderne. Positionne les Transformers comme le changement architectural qui a permis les grands modèles de langage.

Leçon 3 • Tâches et applications principales du NLP

Passe en revue l'analyse des sentiments, la reconnaissance d'entités nommées, la traduction et le résumé. Relie les concepts NLP abstraits à des cas d'utilisation concrets pour les entreprises et les consommateurs.

Leçon 1 • Systèmes d'IA multimodale

Examine les modèles qui combinent le texte, l'image, l'audio et d'autres types de données simultanément. Positionne l'IA multimodale comme la frontière reliant les capacités de vision et de langage.

Leçon 2 • Tâches de vision au-delà de la classification

Introduit la détection d'objets, la segmentation et l'estimation de pose en tant que tâches de vision avancées. Élargit la compréhension des étudiants au-delà du simple étiquetage d'images.

Leçon 3 • Comment les machines voient les images

Couvre la représentation des pixels, les canaux de couleur et comment les images brutes deviennent des entrées du modèle. Construit la base perceptuelle avant d'introduire le traitement convolutif.

Leçon 1 • Transparence et explicabilité

Couvre les limites des boîtes noires et les méthodes d'explicabilité qui rendent les décisions de l'IA interprétables. Relie la transparence à la confiance, à la responsabilité et aux attentes réglementaires.

Leçon 2 • Cadres d'IA responsable

Passe en revue les principes organisationnels et sectoriels pour une gouvernance éthique de l'IA. Équipe les étudiants pour appliquer les directives d'IA responsable au sein de leurs propres organisations.

Leçon 3 • Biais et équité dans l'IA

Analyse comment le biais algorithmique émerge et son impact disproportionné sur les groupes marginalisés. Motive l'équité comme une exigence de conception technique et morale.

Leçon 1 • Mesure de l'impact commercial de l'IA

Établit des méthodes pour quantifier le retour sur investissement et la valeur organisationnelle de l'IA. Termine le chapitre en reliant les résultats techniques aux résultats commerciaux stratégiques.

Leçon 2 • Sélection des modèles et des outils

Guide la sélection entre les API préconstruites, les modèles affinés et les approches d'entraînement personnalisées. Relie l'apprentissage antérieur aux décisions pratiques d'outillage basées sur les contraintes.

Leçon 3 • Construction et itération sur des solutions d'IA

Couvre les cycles de prototypage, d'expérimentation et d'amélioration itérative pour les systèmes d'IA. Renforce le fait que le développement de l'IA est empirique et nécessite une itération structurée.

Leçon 4 • Définition du périmètre et cadrage des projets d'IA

Enseigne comment traduire un problème commercial en une tâche d'IA bien définie avec des objectifs mesurables. Ancre le chapitre appliqué en établissant la clarté du projet avant tout travail technique.