Cours d'Ingénieur IA

Leçon 1 • Python pour le développement de l'IA

Établit la maîtrise de Python axée sur les workflows d'IA utilisant NumPy, Pandas et Matplotlib. Fournit la base de codage requise pour tous les chapitres suivants.

Leçon 2 • Fondamentaux des données pour l'IA

Explique les types de données, les structures et les exigences de qualité qui déterminent la performance des modèles. Prépare les ingénieurs à évaluer les ensembles de données avant de commencer la modélisation.

Leçon 3 • Paysage de l'IA et terminologie clé

Définit l'IA, le ML et l'apprentissage profond avec des distinctions précises. Établit un vocabulaire commun utilisé tout au long du cours.

Leçon 1 • Méthodes d'ensemble et de boosting

Explique le bagging, les forêts aléatoires, le gradient boosting et XGBoost pour une puissance prédictive améliorée. S'appuie sur la connaissance d'un seul algorithme pour montrer les avantages des ensembles.

Leçon 2 • Techniques d'apprentissage non supervisé

Enseigne le clustering, la réduction de dimensionnalité et la détection d'anomalies pour les données non étiquetées. Élargit la boîte à outils de l'ingénieur au-delà des paradigmes supervisés.

Leçon 3 • Ingénierie et sélection des caractéristiques

Couvre l'encodage, la mise à l'échelle, les caractéristiques d'interaction et les méthodes de sélection qui améliorent directement la précision des modèles. Fait le pont entre la préparation des données brutes et les exigences d'entrée des algorithmes.

Leçon 4 • Évaluation et sélection de modèles

Définit les métriques, la validation croisée et le compromis biais-variance pour une évaluation rigoureuse des modèles. S'assure que les ingénieurs peuvent justifier leurs choix de modèles avec des preuves quantitatives.

Leçon 1 • Modèles récurrents et séquentiels

Explique les RNN, LSTM et GRU pour la modélisation de données séquentielles et de séries temporelles. Prépare les ingénieurs aux motifs temporels avant l'introduction des architectures de transformeurs.

Leçon 2 • Fondamentaux des réseaux de neurones

Explique mathématiquement les perceptrons, les fonctions d'activation, la propagation avant et la rétropropagation. Ancre l'apprentissage profond dans les fondations de ML établies précédemment.

Leçon 3 • Réseaux de neurones convolutifs

Enseigne l'architecture CNN, le pooling et l'apprentissage par transfert pour les tâches sur les images et les données spatiales. Étend les connaissances sur les réseaux de neurones aux applications de vision par ordinateur.

Leçon 4 • Entraînement efficace des réseaux profonds

Couvre les optimiseurs, les plannings de taux d'apprentissage, la régularisation et la normalisation par lots pour un entraînement stable. Aborde les modes de défaillance courants que les ingénieurs rencontrent dans la pratique.

Leçon 1 • Ingénierie des grands modèles de langage

Couvre les API LLM, l'ingénierie des prompts, les fenêtres de contexte et l'analyse de la sortie pour une utilisation en production. Équipe les ingénieurs pour intégrer les LLM de manière fiable dans des applications réelles.

Leçon 2 • Techniques classiques de NLP

Couvre la tokenisation, le stemming, le TF-IDF et les plongements de mots comme éléments de base du NLP. Établit la référence avant l'introduction des méthodes basées sur les transformeurs.

Leçon 3 • Plongée dans l'architecture des transformeurs

Explique l'auto-attention, l'attention multi-têtes, l'encodage positionnel et la conception encodeur-décodeur. Fournit la compréhension architecturale nécessaire pour travailler avec les LLM modernes.

Leçon 4 • Systèmes de génération augmentée par récupération

Construit des pipelines RAG combinant la recherche vectorielle avec la génération LLM pour des réponses fondées sur la connaissance. Étend l'utilisation des LLM aux scénarios de documents d'entreprise et de bases de connaissances.

Leçon 1 • Principes de conception de systèmes IA

Introduit les patrons de conception, l'analyse des compromis et la pensée systémique spécifiques aux charges de travail IA. Cadre les décisions d'architecture dans les contraintes des environnements de production.

Leçon 2 • Scalabilité et infrastructure pour l'IA

Couvre la conteneurisation, l'orchestration et les motifs d'infrastructure cloud pour les charges de travail IA à grande échelle. Prépare les ingénieurs à déployer des systèmes qui évoluent avec la demande.

Leçon 3 • Pipelines de données et feature stores

Couvre la conception ETL, l'ingestion en streaming et l'architecture des feature stores pour une livraison cohérente des caractéristiques. Garantit que les caractéristiques d'entraînement et de service restent synchronisées.

Leçon 4 • Conception pour la fiabilité et l'observabilité

Enseigne les disjoncteurs, les stratégies de repli, la journalisation et les alertes pour la résilience des services IA. Garantit que les ingénieurs peuvent maintenir la santé du système en production.

Leçon 1 • IC/ID pour l'apprentissage automatique

Applique les pratiques d'intégration et de livraison continues au code ML, aux données et aux artefacts de modèles. Fait le pont entre la discipline du génie logiciel et les workflows de développement ML.

Leçon 2 • Surveillance des modèles et détection de dérive

Implémente la dérive des données, la dérive conceptuelle et la surveillance de la performance pour détecter la dégradation des modèles. Permet une maintenance proactive avant que les défaillances des modèles n'impactent les utilisateurs.

Leçon 3 • Pipelines ML et orchestration de workflows

Conçoit des pipelines ML automatisés en utilisant des outils d'orchestration pour l'entraînement, la validation et le déploiement. Réduit l'intervention manuelle et accélère les cycles d'itération.

Leçon 4 • Suivi des expériences et reproductibilité

Couvre la journalisation des expériences, le versioning des artefacts et la gestion de l'environnement pour un ML reproductible. Établit la base pour un développement de modèle discipliné.

Leçon 1 • Frameworks de gouvernance pour une IA responsable

Applique les principes d'IA responsable, les évaluations d'impact et l'alignement politique aux décisions d'ingénierie. Relie les contrôles techniques aux structures de responsabilité organisationnelle.

Leçon 2 • Biais, équité et justice dans l'IA

Identifie les sources de biais algorithmique et applique des métriques d'équité pour détecter et atténuer l'impact disparate. Ancre le raisonnement éthique dans des actions d'ingénierie mesurables.

Leçon 3 • Sécurité et gestion des risques de l'IA

Enseigne la modélisation des menaces, la robustesse adversarial et l'analyse des modes de défaillance pour les systèmes IA. Prépare les ingénieurs à anticiper et à atténuer les comportements nuisibles de l'IA.

Leçon 4 • Techniques d'IA préservant la vie privée

Couvre la confidentialité différentielle, l'apprentissage fédéré et l'anonymisation des données pour une IA respectueuse de la vie privée. Répond aux exigences de protection des données sans sacrifier l'utilité du modèle.

Leçon 1 • Révision et présentation du projet

Présente le système de bout en bout avec des diagrammes d'architecture, des résultats et les leçons apprises. Développe les compétences en communication nécessaires pour présenter des projets IA à des publics techniques.

Leçon 2 • Cadrage et périmètre du problème

Traduit un problème métier en une tâche IA bien définie avec des métriques de succès et des contraintes. Applique la pensée systémique de conception des chapitres précédents à un scénario réel.

Leçon 3 • Acquisition et préparation des données

Exécute la collecte, le nettoyage et l'ingénierie des caractéristiques pour l'ensemble de données du projet de synthèse. Applique toutes les compétences en données des chapitres précédents dans un workflow intégré.

Leçon 4 • Développement et expérimentation de modèles

Exécute des expériences suivies, sélectionne le meilleur modèle et documente les décisions avec justification. Démontre un développement ML discipliné en utilisant les pratiques MLOps.