Formation en Intelligence Artificielle

Leçon 1 • Éthique de l'IA et conception responsable

Introduit les principes de biais, d'équité, de transparence et de responsabilité. Établit le raisonnement éthique comme une contrainte de conception non négociable tout au long du cours.

Leçon 2 • Bases de la représentation des connaissances

Explique la logique propositionnelle et du premier ordre ainsi que les réseaux sémantiques, montrant comment les représentations symboliques encodent les faits et les relations. Montre l'intégration combinant des méthodes symboliques et neuronales.

Leçon 3 • Agents intelligents et environnements

Définit les agents rationnels, le cadre PEAS et les types d'environnement. Les étudiants peuvent concevoir des architectures d'agents adaptées à des environnements de tâches spécifiques.

Leçon 4 • Histoire et évolution de l'IA

Retrace l'IA de la logique symbolique à l'apprentissage profond, en soulignant les avancées cruciales. Fournit un contexte pour comprendre pourquoi les techniques modernes ont émergé et où elles excellent.

Leçon 1 • Fondamentaux de l'apprentissage supervisé

Couvre les données étiquetées, les fonctions de perte et l'optimisation basée sur le gradient. Forme l'épine dorsale pour la compréhension des réseaux de neurones et des modèles avancés plus tard.

Leçon 2 • Algorithmes de classification en profondeur

Examine la régression logistique, les arbres de décision, les SVM et les k-NN. Couvre les pipelines d'entraînement, les hyperparamètres et l'évaluation afin que les étudiants puissent implémenter et comparer chaque classifieur sur des ensembles de données de référence.

Leçon 3 • Modèles de régression et de prédiction

Construit des modèles de régression linéaire et polynomiale avec interprétation statistique. Relie la précision des prédictions à la prise de décision commerciale et scientifique.

Leçon 4 • Méthodes d'apprentissage non supervisé

Explore le clustering, la réduction de dimensionnalité et l'estimation de densité. Les étudiants découvrent des structures cachées dans des données non étiquetées pour l'analyse exploratoire.

Leçon 1 • Rétropropagation et optimisation

Dérive la rétropropagation via la règle de chaîne et couvre Adam, RMSProp et SGD. Les étudiants déboguent les gradients qui disparaissent et règlent efficacement les optimiseurs.

Leçon 2 • Réseaux récurrents et modèles séquentiels

Examine les réseaux de neurones récurrents, les unités LSTM et GRU pour la modélisation de données séquentielles. Couvre le déroulement, la rétropropagation dans le temps et les considérations pratiques, reliant ces techniques au NLP et à la prévision de séries temporelles.

Leçon 3 • Régularisation et entraînement pratique

Applique le dropout, l'arrêt précoce et l'entraînement en précision mixte à des réseaux réels. Les étudiants réduisent le surapprentissage et diminuent le temps d'entraînement sur du matériel GPU.

Leçon 4 • Réseaux de neurones convolutifs

Couvre la convolution, le pooling et l'interprétation des cartes de caractéristiques pour les tâches d'image. Les étudiants construisent des CNN et appliquent l'apprentissage par transfert à des ensembles de données personnalisés.

Leçon 1 • Plongements de mots et espace sémantique

Entraîne et applique les plongements Word2Vec, GloVe et FastText, montrant comment les vecteurs denses capturent la similarité sémantique. Inclut des techniques d'évaluation et des visualisations pour explorer les espaces de plongement.

Leçon 2 • Exploration approfondie de l'architecture Transformer

Dissèque l'auto-attention multi-têtes, l'encodage positionnel et les piles encodeur-décodeur. Fournit la compréhension architecturale nécessaire pour affiner les grands modèles de langage.

Leçon 3 • Modèles pré-entraînés et réglage fin

Ajuste finement les variantes BERT, RoBERTa et GPT sur des tâches spécifiques à un domaine. Les étudiants obtiennent des résultats de pointe en NLP avec des données étiquetées limitées.

Leçon 4 • Applications et pipelines NLP

Construit des pipelines de bout en bout pour l'analyse des sentiments, la NER et le résumé de texte. Intègre le prétraitement, la modélisation et le déploiement dans des systèmes prêts pour la production.

Leçon 1 • Transformeurs de vision et architectures modernes

Applique les Vision Transformers, CLIP et DINO pour la classification d'images et la reconnaissance zéro-shot. Explique le plongement par patches, l'auto-attention et l'apprentissage contrastif, reliant les concepts des transformeurs NLP aux systèmes de vision modernes.

Leçon 2 • Modèles génératifs pour les images

Construit des GAN et des autoencodeurs variationnels pour synthétiser des images réalistes et effectuer du transfert de style. Explore la manipulation de l'espace latent, les astuces de stabilité d'entraînement et les métriques pour évaluer la qualité et la diversité de la génération.

Leçon 3 • Architectures de détection d'objets

Compare YOLO, Faster R-CNN et SSD pour la détection en temps réel et précise. Les étudiants entraînent des détecteurs sur des ensembles de données personnalisés avec des annotations de boîtes englobantes.

Leçon 4 • Segmentation sémantique et d'instance

Implémente U‑Net et Mask R‑CNN pour la segmentation au niveau pixel, en détaillant les conceptions encodeur-décodeur et les pipelines de génération de masques. Relie ces techniques à des domaines comme l'imagerie médicale, la conduite autonome et la robotique.

Leçon 1 • Méthodes sans modèle basées sur la valeur

Implémente Q-learning, SARSA et les Deep Q-Networks sur des environnements Gym. Les étudiants comprennent l'apprentissage par différence temporelle et le rejeu d'expériences.

Leçon 2 • Processus de décision markoviens

Formalise mathématiquement les états, actions, récompenses et dynamiques de transition. Fournit la base théorique pour tous les algorithmes d'apprentissage par renforcement.

Leçon 3 • RL multi-agents et hiérarchique

Étend le RL aux environnements multi-agents coopératifs et compétitifs ainsi qu'aux hiérarchies de compétences. Prépare les étudiants au contrôle de systèmes complexes du monde réel.

Leçon 4 • RL avancé : PPO et SAC

Applique l'optimisation de politique proximale et l'acteur-critique doux à des tâches complexes. Les étudiants obtiennent un entraînement stable sur des benchmarks de contrôle continu.

Leçon 1 • Réglage fin et alignement

Applique le réglage fin supervisé, le RLHF et l'optimisation directe des préférences pour aligner les LLM avec l'intention humaine. Les étudiants créent des modèles spécifiques à un domaine qui suivent les instructions tout en respectant les contraintes de sécurité.

Leçon 2 • Ingénierie des invites et apprentissage en contexte

Applique les techniques d'invite zéro-shot, few-shot, chaîne de pensée et structurée. Une invite efficace multiplie la capacité du modèle sans aucune mise à jour des paramètres.

Leçon 3 • Architecture des LLM et lois de mise à l'échelle

Analyse les architectures GPT, LLaMA et Mistral ainsi que les lois de mise à l'échelle de Chinchilla. Les étudiants prédisent la capacité du modèle à partir des budgets de calcul et de données.

Leçon 4 • Agents LLM et utilisation d'outils

Construit des agents autonomes utilisant ReAct, l'appel de fonctions et des frameworks multi-agents. Les étudiants déploient des agents qui planifient, utilisent des outils et effectuent des tâches en plusieurs étapes.

Leçon 1 • Surveillance et maintenance des modèles

Implémente la détection de dérive, les alertes et les déclencheurs de réentraînement en production. Empêche la dégradation silencieuse du modèle qui érode la valeur commerciale au fil du temps.

Leçon 2 • Suivi des expériences et reproductibilité

Utilise MLflow, Weights & Biases et DVC pour enregistrer les expériences systématiquement. La reproductibilité permet la collaboration en équipe et la conformité réglementaire.

Leçon 3 • Service et déploiement de modèles

Déploie des modèles via des API REST, des pipelines par lots et des environnements d'exécution périphériques. Guide les étudiants à travers la conteneurisation Docker, la sérialisation de modèles et les stratégies de service évolutives pour la performance et la fiabilité.

Leçon 4 • Infrastructure d'entraînement évolutive

Configure l'entraînement distribué avec Horovod et les clusters GPU dans le cloud. Les étudiants réduisent le temps d'entraînement pour les grands modèles grâce à des stratégies de parallélisme.