Formation IA

Leçon 1 • Aperçu des principaux sous-domaines de l'IA

Cartographie le paysage de l'apprentissage automatique, de la vision par ordinateur, du TAL et de 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 aux types de problèmes concrets.

Leçon 3 • Bref historique du développement de l'IA

Retrace l'IA de la logique symbolique aux réseaux de neurones modernes. Fournit un 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, du ML et de l'apprentissage profond. Définit le vocabulaire commun utilisé tout au long du cours.

Leçon 1 • Comprendre les types et structures de données

Couvre les données structurées, non structurées et semi-structurées ainsi que 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, notamment les enquêtes, les API, l'extraction de données web et les capteurs. Met en évidence les compromis entre la richesse des données et le coût de la 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 workflows de nettoyage systématiques qui améliorent la fiabilité des modèles.

Leçon 4 • Sensibilisation aux biais et à l'équité des données

Identifie les sources de biais dans les ensembles de données et leurs effets en aval sur les résultats 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. Développe 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

Diagnostic du compromis biais-variance et application de la régularisation pour améliorer la généralisation. Prépare directement les apprenants à un déploiement robuste des modèles.

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 se propagent 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 tirer parti des 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 d'IA dans le cloud

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

Leçon 2 • Suivi des expériences et versioning

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

Leçon 3 • Construire un pipeline ML de bout en bout

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

Leçon 4 • Frameworks et bibliothèques ML essentiels

Présente les principaux frameworks open source pour la construction et l'entraînement de modèles. Compare leurs forces pour guider la sélection du framework en fonction des différents types de projets.

Leçon 1 • Applications et cas d'usage du TAL

Applique le TAL à l'analyse de sentiments, à la reconnaissance d'entités nommées, au résumé et à la traduction. Démontre la construction de pipelines 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 TAL 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 du modèle aux cas d'usage pratiques de génération et de classification de texte.

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 associés.

Leçon 1 • Intégration continue pour le ML

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

Leçon 2 • Surveillance des modèles et détection de dérive

Suit la qualité des prédictions, la dérive des données et la dérive des concepts dans les systèmes en production. 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 modèles, des pistes d'audit et des workflows d'approbation 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 le service de modèles. Fait le lien entre un modèle entraîné et une application en production.

Leçon 1 • Élaborer une stratégie d'IA pour les organisations

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

Leçon 2 • Évaluation et gestion des risques liés à l'IA

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

Leçon 3 • Principes et cadres éthiques de l'IA

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