Cours d'intelligence artificielle pour lycéens

Leçon 1 • Comment les machines représentent la connaissance

Présente la manière dont les ordinateurs stockent et traitent l'information sous forme de données. Prépare les étudiants à comprendre comment l'IA apprend à partir de ces données.

Leçon 2 • Définir l'IA et son champ d'application

Établit une définition opérationnelle de l'IA et cartographie ses principaux sous-domaines. Ancre le chapitre en clarifiant ce qu'est et n'est pas l'IA.

Leçon 3 • Une brève histoire de l'IA

Retrace l'IA des premières machines logiques à l'apprentissage profond moderne. Fournit un contexte historique qui explique pourquoi l'IA actuelle se présente comme elle le fait.

Leçon 1 • Bases de l'apprentissage non supervisé

Explore la recherche de structure dans les données sans étiquettes. Relie à des usages réels tels que la segmentation de la clientèle et la détection d'anomalies.

Leçon 2 • Évaluation des performances d'un modèle

Enseigne les métriques utilisées pour juger de la qualité de fonctionnement d'un modèle. Les étudiants comprennent l'exactitude, la précision, le rappel et pourquoi aucune métrique ne raconte toute l'histoire.

Leçon 3 • Bases de l'apprentissage supervisé

Couvre l'apprentissage à partir de paires entrée-sortie étiquetées pour faire des prédictions. Introduit la classification et la régression comme les deux tâches supervisées centrales.

Leçon 4 • Notions fondamentales de préparation des données

Couvre le nettoyage, la division et la transformation des données avant l'entraînement. Renforce l'idée que la qualité du modèle dépend fortement de la qualité des données.

Leçon 1 • Aperçu des architectures d'apprentissage profond

Passe en revue les architectures convolutionnelles, récurrentes et transformeurs à un niveau conceptuel. Prépare les étudiants aux applications spécialisées des chapitres ultérieurs.

Leçon 2 • Inspiration biologique pour les réseaux de neurones

Établit des parallèles entre les neurones du cerveau et les nœuds artificiels. Motive l'architecture avant d'introduire les détails techniques.

Leçon 3 • Propagation directe

Retrace la façon dont les données d'entrée traversent un réseau pour produire une sortie. Construit une intuition pour les poids, les biais et les transformations.

Leçon 4 • Fonctions de perte et optimisation

Introduit la manière dont les réseaux mesurent l'erreur de prédiction et la minimisent. Relie la perte à la boucle d'entraînement que les étudiants utiliseront en pratique.

Leçon 1 • Détection et localisation d'objets

Étend la classification à la recherche et à l'étiquetage d'objets dans une image. Introduit les boîtes englobantes et les cadres de détection courants sur le plan conceptuel.

Leçon 2 • Projet pratique de classifieur d'images

Guide les étudiants dans le chargement des données, l'application d'un modèle pré-entraîné et l'évaluation des résultats. Consolide les concepts de vision par une pratique directe.

Leçon 3 • Comment les ordinateurs voient les images

Explique les grilles de pixels, les canaux de couleur et comment les images deviennent des tableaux numériques. Établit la représentation des données nécessaire aux modèles de vision.

Leçon 4 • Transfert d'apprentissage avec des modèles pré-entraînés

Montre comment réutiliser des modèles entraînés sur de grands ensembles de données pour de nouvelles tâches. Permet aux étudiants de construire des classifieurs performants sans données ou capacité de calcul massives.

Leçon 1 • Tâches principales du TALN

Passe en revue l'analyse des sentiments, la reconnaissance d'entités nommées et la classification de texte. Applique des outils basés sur les transformeurs à chaque tâche avec des exemples.

Leçon 2 • Plongements de mots et signification

Introduit des représentations vectorielles denses qui capturent les relations sémantiques. Montre comment des mots similaires se regroupent dans l'espace de plongement.

Leçon 3 • Transformeurs et attention

Explique le mécanisme d'attention qui alimente les modèles de langage modernes. Relie l'architecture du transformeur aux capacités pratiques du TALN.

Leçon 4 • Le langage en tant que données

Convertit le texte brut en représentations numériques que les machines peuvent traiter. Établit le pipeline de prétraitement dont dépendent tous les modèles de TALN.

Leçon 1 • Principes d'une IA responsable

Passe en revue la transparence, la responsabilité et la confidentialité en tant que piliers d'une IA responsable. Prépare les étudiants à évaluer les systèmes d'IA par rapport à des normes éthiques.

Leçon 2 • Études de cas de biais réels

Analyse des cas documentés de biais de l'IA dans l'embauche, le prêt et la justice pénale. Ancre des concepts abstraits dans un impact sociétal concret.

Leçon 3 • Détection et atténuation des biais

Enseigne des techniques pratiques pour mesurer et réduire les biais dans les ensembles de données et les modèles. Relie les outils de détection au projet d'audit.

Leçon 4 • Définir l'équité dans l'IA

Introduit des définitions mathématiques concurrentes de l'équité et leurs compromis. Montre que l'équité est un choix de valeur, et non une formule unique.

Leçon 1 • Présenter et communiquer les résultats

Enseigne comment documenter, visualiser et expliquer un projet d'IA à un public non technique. Développe les compétences de communication essentielles pour tout poste dans l'IA.

Leçon 2 • Déployer un modèle en tant qu'application

Introduit l'empaquetage d'un modèle entraîné dans une interface ou une API utilisable. Montre aux étudiants comment l'IA passe du notebook à une utilisation réelle.

Leçon 3 • Collecte et curation de données

Couvre l'approvisionnement, l'étiquetage et la validation d'ensembles de données pour un problème choisi. Renforce l'idée que la qualité des données détermine le plafond du modèle.

Leçon 4 • Sélection et entraînement du modèle

Guide le choix d'un algorithme approprié et son entraînement sur des données curées. Applique les compétences d'évaluation des chapitres précédents pour comparer les candidats.

Leçon 1 • Technologies d'IA émergentes

Examine l'IA générative, les modèles multimodaux et les agents autonomes comme développements à court terme. Relie les compétences actuelles à la direction que prend le domaine.

Leçon 2 • L'IA dans tous les secteurs

Cartographie les applications de l'IA dans les soins de santé, l'éducation, le climat et les domaines créatifs. Élargit le sens des étudiants quant aux domaines où les compétences en IA sont précieuses.

Leçon 3 • Poursuivre votre formation en IA

Passe en revue les cours en ligne, les compétitions, les projets open source et les programmes de recherche. Donne aux étudiants des prochaines étapes concrètes après ce cours.

Leçon 4 • Construire une feuille de route d'apprentissage personnelle

Guide les étudiants dans la définition d'objectifs, le choix de ressources et le suivi des progrès. Produit un plan tangible que les étudiants emportent avec eux à la fin du cours.