Cours d'intelligence artificielle

Leçon 1 • Histoire et évolution de l'IA

Retrace l'IA de la logique symbolique à l'apprentissage profond moderne, en mettant en évidence les avancées décisives. Contextualise les capacités actuelles dans des décennies de recherche.

Leçon 2 • L'IA dans la pile technologique moderne

Cartographie les composants de l'IA sur les couches d'infrastructure cloud, données et logiciels. Aide les apprenants à comprendre où l'IA s'inscrit dans les architectures technologiques d'entreprise.

Leçon 3 • Paradigmes fondamentaux de l'IA

Présente les paradigmes de l'IA basés sur les règles, statistiques et l'apprentissage, ainsi que leurs compromis. Permet aux apprenants de sélectionner les paradigmes appropriés pour des types de problèmes donnés.

Leçon 1 • Techniques de prétraitement des données

Enseigne les workflows de nettoyage, normalisation, codage et ingénierie des caractéristiques. Prépare directement les apprenants à transformer les données brutes en entrées prêtes pour les modèles.

Leçon 2 • Types et sources de données

Couvre les données structurées, non structurées et semi-structurées, ainsi que les canaux d'acquisition courants. Ancre les apprenants dans la diversité des entrées de données consommées par les systèmes d'IA.

Leçon 3 • Analyse exploratoire des données

Applique des résumés statistiques et la visualisation pour découvrir des motifs avant la modélisation. Développe l'intuition analytique qui améliore les décisions de conception des modèles.

Leçon 4 • Principes de confidentialité et de conformité des données

Présente l'anonymisation, le consentement et la minimisation des données comme concepts fondamentaux de conformité. Garantit que les apprenants traitent les données de manière responsable tout au long des projets d'IA.

Leçon 1 • Techniques d'apprentissage non supervisé

Explore le clustering, la réduction de dimensionnalité et la détection d'anomalies sans données étiquetées. Élargit la boîte à outils des apprenants pour les tâches exploratoires et de découverte de motifs.

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

Présente les agents, les environnements, les récompenses et l'optimisation des politiques dans les tâches de décision séquentielle. Fournit les bases conceptuelles pour les applications avancées d'apprentissage par renforcement abordées plus tard.

Leçon 3 • Évaluation et validation des modèles

Enseigne l'exactitude, la précision, le rappel, l'AUC et la validation croisée pour une évaluation rigoureuse des modèles. Garantit que les apprenants peuvent mesurer et communiquer la fiabilité des modèles.

Leçon 4 • Entraînement et optimisation des modèles

Couvre les fonctions de perte, les variantes de descente de gradient et la régularisation pour améliorer l'ajustement du modèle. Permet directement aux apprenants de régler efficacement les modèles en pratique.

Leçon 1 • Modèles récurrents et séquentiels

Présente les RNN, LSTM et GRU pour le traitement de données séquentielles et de séries temporelles. Fait le pont avec les architectures de transformateurs introduites dans le chapitre suivant.

Leçon 2 • Rétropropagation et entraînement

Explique la règle de chaîne, le flux de gradient et les cycles de mise à jour des poids qui entraînent les réseaux de neurones. Donne aux apprenants un aperçu mécaniste pour diagnostiquer et résoudre les échecs d'entraînement.

Leçon 3 • Réseaux de neurones convolutionnels

Couvre la convolution, le pooling et les hiérarchies de cartes de caractéristiques pour les tâches sur données image et spatiales. Prépare les apprenants à appliquer les CNN aux problèmes de vision par ordinateur.

Leçon 4 • Perceptrons et architecture de réseau

Construit la compréhension des neurones, couches, poids et fonctions d'activation comme éléments de base du réseau. Établit le vocabulaire structurel pour tout le contenu sur l'apprentissage profond.

Leçon 1 • Applications et pipelines TALN

Applique le TALN à l'analyse de sentiments, la reconnaissance d'entités nommées, le résumé et la réponse aux questions. Relie les connaissances théoriques à des systèmes de traitement de texte de bout en bout déployables.

Leçon 2 • Ajustement fin et ingénierie des prompts

Enseigne l'ajustement fin supervisé, les méthodes efficaces en paramètres et la conception de prompts pour l'adaptation aux tâches. Permet directement aux apprenants de personnaliser des modèles de langage pour des cas d'usage spécifiques.

Leçon 3 • Fondamentaux de la représentation textuelle

Couvre la tokenisation, le sac de mots, TF-IDF et les plongements de mots comme stratégies de codage textuel. Fournit la base représentationnelle pour toutes les entrées de modèles TALN.

Leçon 4 • Plongée dans l'architecture du transformateur

Explique l'auto-attention, l'attention multi-têtes, le codage positionnel et la structure encodeur-décodeur. Permet aux apprenants de comprendre et d'adapter des modèles de langage de pointe.

Leçon 1 • Modèles multimodaux et IA vision-langage

Examine l'apprentissage contrastif de style CLIP et les modèles vision-langage qui font le pont entre le texte et les images. Permet aux apprenants de créer des applications combinant la compréhension visuelle et textuelle.

Leçon 2 • Détection et segmentation d'objets

Présente les détecteurs basés sur des ancres et sans ancre, ainsi que la segmentation sémantique et d'instance. Équipe les apprenants pour créer des systèmes qui localisent et classifient des objets dans les images.

Leçon 3 • Fondamentaux du traitement d'image

Couvre la représentation des pixels, les espaces colorimétriques, le filtrage et l'augmentation comme étapes de prétraitement. Établit la culture des données visuelles nécessaire pour toutes les tâches de vision par ordinateur.

Leçon 4 • Considérations sur le déploiement de l'IA visuelle

Aborde la latence, la compression de modèle et la sélection de matériel pour les systèmes de vision en production. Relie la conception du modèle aux contraintes opérationnelles du monde réel.

Leçon 1 • Cadres de gouvernance responsable de l'IA

Passe en revue les modèles de gouvernance basés sur des principes et par niveau de risque pour la supervision organisationnelle de l'IA. Permet aux apprenants de mettre en œuvre des structures de responsabilisation tout au long des cycles de vie des projets d'IA.

Leçon 2 • Sécurité de l'IA et atténuation des préjudices

Examine les attaques adversariales, l'injection de prompts et le filtrage des sorties comme défis de sécurité. Prépare les apprenants à concevoir des systèmes qui résistent aux détournements et minimisent les préjudices.

Leçon 3 • Métriques d'équité et audit

Couvre la parité démographique, les chances égalisées et la calibration comme critères quantitatifs d'équité. Permet aux apprenants d'auditer systématiquement les modèles avant et après le déploiement.

Leçon 4 • Sources et types de biais dans l'IA

Identifie les biais historiques, de mesure et d'agrégation qui pénètrent les systèmes d'IA par les données et la conception. Développe la sensibilisation nécessaire pour traiter proactivement les problèmes d'équité.

Leçon 1 • MLOps et pipelines de production

Couvre l'IC/ID pour le ML, les registres de modèles et le réentraînement automatisé pour opérationnaliser l'IA de manière fiable. Fait le pont entre les modèles expérimentaux et les systèmes de qualité production.

Leçon 2 • Surveillance des modèles et détection de dérive

Enseigne la dérive des données, la dérive de concept et la surveillance de la dégradation des performances dans les systèmes en production. Garantit que les apprenants peuvent maintenir la fiabilité des modèles après le déploiement.

Leçon 3 • Passage à l'échelle de l'infrastructure d'IA

Aborde l'entraînement distribué, les architectures de service de modèles et l'optimisation des coûts à grande échelle. Prépare les apprenants à faire évoluer les systèmes d'IA sans sacrifier la performance ou le contrôle budgétaire.

Leçon 4 • Identification des opportunités d'IA à forte valeur ajoutée

Applique des critères de faisabilité, d'impact et de maturité des données pour prioriser les cas d'usage de l'IA. Relie la capacité technique aux objectifs stratégiques de l'entreprise.