Formation IA pour développeur

Leçon 1 • Ce qu'est réellement l'IA

Définit l'IA, l'apprentissage automatique et l'apprentissage profond comme des couches distinctes. Ancre les définitions abstraites dans des tâches de programmation concrètes que les développeurs reconnaissent déjà.

Leçon 2 • Histoire et jalons de l'IA

Retrace les avancées clés des premiers perceptrons aux modèles transformeurs. Fournit le contexte expliquant pourquoi les techniques modernes dominent la pratique actuelle.

Leçon 3 • Notions mathématiques essentielles pour l'IA

Passe en revue les concepts d'algèbre linéaire, de probabilités et de calcul utilisés quotidiennement dans le code d'IA. Met l'accent sur l'intuition et l'application au niveau du code plutôt que sur les preuves formelles.

Leçon 4 • Catégories principales de problèmes d'IA

Fait correspondre l'apprentissage supervisé, non supervisé et par renforcement à des tâches d'ingénierie réelles. Permet aux développeurs de cadrer de nouveaux problèmes dans le paradigme d'apprentissage approprié.

Leçon 1 • Ingénierie et transformation des caractéristiques

Transforme les champs bruts en caractéristiques prêtes pour les modèles par encodage, mise à l'échelle et agrégation. Montre comment la qualité des caractéristiques impacte directement la précision du modèle.

Leçon 2 • Collecte et ingestion de données

Couvre l'extraction de données web, l'ingestion par API et l'extraction depuis des bases de données pour les ensembles de données d'IA. Établit les limites légales et éthiques autour de l'acquisition de données.

Leçon 3 • Construction de pipelines de données reproductibles

Empaquette les transformations de données dans des étapes de pipeline versionnées et testables. Présente les outils de versionnement des données pour suivre les modifications des ensembles de données entre les expériences.

Leçon 4 • Nettoyage et validation des données

Applique des techniques programmatiques pour détecter et corriger les valeurs manquantes, les valeurs aberrantes et les doublons. Valide les schémas et les distributions avant que les données n'entrent dans un pipeline d'entraînement.

Leçon 1 • Clustering et réduction de dimensionnalité

Applique k-means, DBSCAN, PCA et t-SNE à des tâches de découverte non supervisée. Enseigne les métriques d'évaluation pour les scénarios de données non étiquetées.

Leçon 2 • Modèles basés sur les arbres

Construit des arbres de décision, des forêts aléatoires et des arbres à boosting de gradient avec des hyperparamètres ajustables. Explique la mécanique d'ensemble qui rend le boosting à l'état de l'art sur les données tabulaires.

Leçon 3 • Régression linéaire et logistique

Implémente la régression par descente de gradient à partir de zéro avant d'utiliser les versions des bibliothèques. Établit la boucle de perte-optimisation que tous les modèles ultérieurs partagent.

Leçon 4 • Évaluation et sélection de modèles

Applique la validation croisée, les matrices de confusion, les courbes ROC et les diagrammes de calibration pour comparer les modèles. Empêche les fuites de données grâce à des divisions train-validation-test correctes.

Leçon 1 • Anatomie d'un réseau de neurones

Définit les couches, neurones, poids, biais et fonctions d'activation comme des objets de code composables. Relie la passe avant à un graphe de calcul différentiable.

Leçon 2 • Entraînement à grande échelle avec les frameworks

Implémente des boucles d'entraînement dans PyTorch et TensorFlow avec accélération GPU. Couvre les chargeurs de données, l'entraînement en précision mixte et la gestion des points de contrôle.

Leçon 3 • Rétropropagation et optimiseurs

Dérive la rétropropagation via la règle de chaîne et l'implémente manuellement avant d'utiliser autograd. Compare SGD, Adam et RMSProp sur la vitesse de convergence et la stabilité.

Leçon 4 • Débogage de l'entraînement des réseaux de neurones

Diagnostique les gradients qui s'évanouissent, les gradients explosifs et les neurones morts à l'aide d'outils de diagnostic. Établit un workflow de débogage systématique applicable à toute architecture.

Leçon 1 • Apprentissage par transfert et réglage fin

Adapte les modèles pré-entraînés ImageNet à de nouvelles tâches avec des données étiquetées limitées. Couvre les stratégies de gel des couches et la planification du taux d'apprentissage pour le réglage fin.

Leçon 2 • Architectures de détection d'objets

Implémente des détecteurs basés sur des ancres et sans ancre pour localiser des objets dans des images. Évalue les détecteurs à l'aide de la précision moyenne et des seuils IoU.

Leçon 3 • Réseaux de neurones convolutifs

Explique la convolution, le pooling et les champs réceptifs en tant qu'extracteurs de caractéristiques spatiales. Implémente un CNN à partir de zéro et trace les cartes de caractéristiques à travers chaque couche.

Leçon 4 • Augmentation des données pour la vision

Conçoit des pipelines d'augmentation qui améliorent la généralisation sans corrompre les étiquettes. Couvre les stratégies d'augmentation géométriques, colorimétriques et avancées.

Leçon 1 • Plongée dans l'architecture transformeur

Implémente l'auto-attention multi-têtes et l'encodage positionnel à partir de zéro. Trace la façon dont BERT et GPT diffèrent dans leurs objectifs de pré-entraînement et leur utilisation en aval.

Leçon 2 • Réglage fin des modèles de langage pré-entraînés

Adapte les modèles de la famille BERT aux tâches de classification, de NER et de QA avec des têtes spécifiques aux tâches. Applique des méthodes économes en paramètres comme LoRA pour réduire le coût de calcul.

Leçon 3 • Ingénierie des invites et API LLM

Conçoit des invites efficaces pour les LLM adaptés par instructions en utilisant des schémas zero-shot et few-shot. Intègre les API LLM dans le code de production avec une analyse syntaxique de sortie structurée.

Leçon 4 • Représentation et prétraitement du texte

Convertit le texte brut en représentations numériques via la tokenisation, les plongements et TF-IDF. Établit la chaîne de prétraitement qui alimente tout modèle de TALN.

Leçon 1 • Empaquetage et conteneurisation des modèles

Sérialise les modèles et les encapsule dans des conteneurs Docker avec isolation des dépendances. Prépare des images de modèles portables déployables sur n'importe quelle cible cloud ou sur site.

Leçon 2 • CI/CD pour l'apprentissage automatique

Automatise les tests, la validation et le déploiement des modèles via des pipelines CI/CD spécifiques au ML. Intègre des barrières de qualité des données et des modèles avant toute promotion en production.

Leçon 3 • Suivi des expériences et reproductibilité

Journalise les hyperparamètres, les métriques et les artefacts avec MLflow et Weights and Biases. Permet une comparaison reproductible des expériences entre les membres de l'équipe et les exécutions.

Leçon 4 • Services de modèles en tant qu'API

Construit des points de terminaison d'inférence REST et gRPC avec FastAPI et TorchServe. Applique le batching, la mise en cache et la gestion asynchrone pour répondre aux exigences de latence.

Leçon 1 • Conception de pipelines multi-modèles

Compose des modèles spécialisés dans des pipelines orchestrés avec une logique de routage et de repli. Applique les principes de conception de systèmes aux exigences de fiabilité spécifiques à l'IA.

Leçon 2 • Agents IA et utilisation d'outils

Construit des agents pilotés par LLM qui planifient, appellent des outils et itèrent vers des objectifs de manière autonome. Implémente les schémas ReAct et d'appel de fonctions avec des barrières de sécurité.

Leçon 3 • IA responsable et gouvernance

Intègre les audits d'équité, les outils d'explicabilité et les techniques de préservation de la vie privée dans la conception du système. Aligne les systèmes d'IA avec les exigences de risque et de conformité de l'organisation.

Leçon 4 • Infrastructure IA évolutive

Fournit des clusters GPU, des travaux d'entraînement distribué et une mise à l'échelle automatique de l'inférence sur des plateformes cloud. Optimise le coût de l'infrastructure grâce aux instances ponctuelles et à la quantification des modèles.