Cours d'intelligence artificielle de base

Leçon 1 • L'impact de l'IA dans tous les secteurs

Examine comment l'IA transforme la santé, la finance, la fabrication et le commerce de détail. Motive les apprenants en reliant la théorie à des résultats professionnels concrets.

Leçon 2 • Aperçu des sous-domaines fondamentaux de l'IA

Cartographie les principaux sous-domaines — apprentissage automatique, TALN, vision par ordinateur, robotique — et leurs relations. Prépare les apprenants à catégoriser les applications d'IA avec précision.

Leçon 3 • Définir l'intelligence artificielle

Établit une définition de travail précise de l'IA, distincte de l'automatisation et des logiciels. Ancre le chapitre en clarifiant ce que l'IA peut et ne peut pas faire.

Leçon 1 • Collecte et recherche de données

Couvre les méthodes de collecte primaire, les ensembles de données ouverts et la génération de données synthétiques. Permet aux apprenants de trouver des données adaptées à des tâches d'IA spécifiques.

Leçon 2 • Types de données en IA

Distingue les données structurées, non structurées et semi-structurées et leurs cas d'utilisation en IA. Prépare le terrain pour comprendre quels algorithmes conviennent à quels types de données.

Leçon 3 • Gouvernance et confidentialité des données

Introduit la gestion responsable des données, le consentement et les techniques de préservation de la vie privée. Permet aux apprenants d'appliquer des normes éthiques lors de la gestion d'ensembles de données d'IA.

Leçon 4 • Essentiels du prétraitement des données

Enseigne la normalisation, l'encodage et l'ingénierie des caractéristiques comme prérequis à l'entraînement. Permet directement aux apprenants de préparer des ensembles de données pour le chapitre sur l'apprentissage automatique.

Leçon 1 • Évaluation et métriques des modèles

Enseigne l'exactitude, la précision, le rappel, le F1 et l'AUC pour évaluer la qualité du modèle. Permet aux apprenants de juger si un modèle répond aux exigences métier.

Leçon 2 • Notions de base sur l'apprentissage par renforcement

Introduit les agents, les environnements, les récompenses et les politiques à un niveau conceptuel. Prépare les apprenants à reconnaître les applications de l'apprentissage par renforcement sans nécessiter de mathématiques approfondies.

Leçon 3 • Concepts d'apprentissage non supervisé

Couvre le clustering et la réduction de dimensionnalité pour l'exploration de données non étiquetées. Élargit la boîte à outils des apprenants au-delà des scénarios de données étiquetées.

Leçon 4 • Concepts d'apprentissage supervisé

Explique la régression et la classification à l'aide de données étiquetées avec des correspondances entrée-sortie claires. Construit le vocabulaire algorithmique principal utilisé tout au long du cours.

Leçon 1 • Réseaux de neurones récurrents et séquences

Présente les RNN et les LSTM pour le traitement de données séquentielles et de séries temporelles. Fait le pont entre la théorie des réseaux de neurones et les applications de traitement du langage naturel et de prévision.

Leçon 2 • Entraînement des réseaux de neurones

Explique la rétropropagation, la descente de gradient et le taux d'apprentissage comme moteur d'entraînement. Démystifie pourquoi les réseaux de neurones s'améliorent avec plus de données et d'itérations.

Leçon 3 • Anatomie d'un réseau de neurones

Décompose les neurones, les couches, les poids et les fonctions d'activation comme éléments de base. Fournit le vocabulaire structurel nécessaire pour tous les sujets ultérieurs sur l'apprentissage profond.

Leçon 4 • Réseaux de neurones convolutifs

Couvre l'architecture CNN pour les tâches de reconnaissance d'images, y compris les filtres et le pooling. Relie la théorie de l'apprentissage profond aux applications de vision par ordinateur présentées précédemment.

Leçon 1 • Présentation des grands modèles de langage

Présente les LLM pré-entraînés, le fine-tuning et l'ingénierie de prompt pour des tâches pratiques de TALN. Prépare les apprenants à tirer parti des LLM sans les entraîner de zéro.

Leçon 2 • Essentiels de l'architecture Transformer

Explique les mécanismes d'attention et le modèle Transformer qui alimente le TALN moderne. Fournit la base conceptuelle pour comprendre les grands modèles de langage.

Leçon 3 • Pipeline de prétraitement du texte

Couvre la tokenisation, le stemming, la lemmatisation et la suppression des mots vides comme prérequis au TALN. Prépare le texte brut pour les tâches de modélisation en aval.

Leçon 4 • Tâches fondamentales du TALN

Démontre l'analyse de sentiments, la reconnaissance d'entités nommées et la classification de texte. Donne aux apprenants une exposition pratique aux applications métier les plus courantes du TALN.

Leçon 1 • Fondamentaux des données d'image

Couvre la représentation des pixels, les espaces colorimétriques et les formats d'image comme prérequis à la vision. Garantit que les apprenants comprennent la matière première avant d'appliquer des algorithmes.

Leçon 2 • Apprentissage par transfert pour la vision

Démontre l'utilisation de modèles de vision pré-entraînés et le fine-tuning pour des ensembles de données personnalisés. Permet aux apprenants de construire des systèmes de vision performants avec des données limitées.

Leçon 3 • Prétraitement et augmentation d'images

Enseigne les stratégies de redimensionnement, normalisation et augmentation pour améliorer la robustesse du modèle. Applique directement les compétences de préparation des données au domaine de la vision.

Leçon 4 • Détection et localisation d'objets

Introduit les boîtes englobantes, les détecteurs basés sur les ancres et l'évaluation avec les métriques IoU. Étend la classification d'images à la localisation de plusieurs objets dans une scène.

Leçon 1 • Suivi des expériences et versionnage

Introduit des outils et des pratiques pour journaliser les expériences, les ensembles de données et les versions de modèles. Assure la reproductibilité et la collaboration au sein des équipes de développement d'IA.

Leçon 2 • Empaquetage et service des modèles

Couvre les formats de sérialisation, les API REST et la conteneurisation pour le déploiement de modèles. Fait le pont entre un modèle entraîné et un service prêt pour la production.

Leçon 3 • Surveillance des modèles en production

Enseigne la détection de dérive des données, les alertes de dégradation des performances et les déclencheurs de réentraînement. Garantit que les modèles déployés restent précis et fiables dans le temps.

Leçon 4 • Cycle de vie d'un projet d'IA

Cartographie les étapes, de la formulation du problème au déploiement et à la maintenance. Donne aux apprenants un flux de travail structuré pour gérer tout projet d'IA de manière professionnelle.

Leçon 1 • Impacts sociétaux et sur la main-d'œuvre

Analyse les effets de l'IA sur l'emploi, la vie privée et la concentration du pouvoir. Développe la pensée critique concernant les conséquences à long terme des décisions de déploiement de l'IA.

Leçon 2 • Explicabilité et transparence

Couvre LIME, SHAP et les fiches de modèles comme outils pour expliquer les décisions de l'IA. Permet aux apprenants de rendre les modèles en boîte noire interprétables pour les parties prenantes.

Leçon 3 • Frameworks d'IA responsable

Présente les principes et structures de gouvernance de l'IA responsable issus de l'industrie et de la réglementation. Prépare les apprenants à aligner les projets d'IA sur les normes organisationnelles et sociétales.

Leçon 4 • Sources de biais en IA

Identifie comment les biais historiques, de mesure et d'agrégation entrent dans les systèmes d'IA. Ancre l'analyse éthique dans des causes techniques concrètes plutôt que des préoccupations abstraites.