Formation Intelligence Artificielle

Leçon 1 • Histoire et évolution de l'IA

Retrace le développement de l'IA, de la logique symbolique aux réseaux de neurones modernes. Fournit un contexte historique expliquant pourquoi les techniques actuelles dominent le domaine.

Leçon 2 • Paradigmes fondamentaux de l'IA

Présente l'apprentissage supervisé, non supervisé et par renforcement comme les trois paradigmes fondateurs. Relie chaque paradigme aux types de problèmes qu'il résout.

Leçon 3 • L'IA dans l'industrie et la société

Cartographie les applications de l'IA dans les domaines de la santé, de la finance, de la logistique et des médias. Ancre les concepts abstraits dans des cas d'usage tangibles que les étudiants rencontreront professionnellement.

Leçon 1 • Analyse exploratoire des données

Applique des résumés statistiques et des visualisations pour découvrir des schémas avant la modélisation. Instaure l'habitude de comprendre les distributions de données avant le choix de l'algorithme.

Leçon 2 • Algèbre linéaire pour l'IA

Couvre les vecteurs, les matrices et les opérations sur les tenseurs, centraux dans le calcul des réseaux de neurones. Relie directement la multiplication matricielle aux transformations de couches dans les modèles.

Leçon 3 • Bases du calcul infinitésimal et de l'optimisation

Introduit les dérivées, les gradients et la règle de dérivation en chaîne comme outils d'entraînement des modèles. Relie ces concepts à l'optimisation par descente de gradient utilisée dans tous les modèles d'IA.

Leçon 4 • Fondamentaux des probabilités et des statistiques

Enseigne les distributions de probabilité, le théorème de Bayes et l'inférence statistique. Ces outils sous-tendent l'estimation de l'incertitude des modèles et les métriques d'évaluation.

Leçon 1 • Algorithmes de classification

Introduit la régression logistique, les arbres de décision et les machines à vecteurs de support pour la prédiction catégorielle. Compare les frontières de décision et les compromis computationnels.

Leçon 2 • Regroupement et réduction de dimensionnalité

Couvre les k-moyennes, le regroupement hiérarchique, l'ACP et le t-SNE pour la découverte non supervisée de schémas. Relie la réduction de dimensionnalité à la visualisation et à l'ingénierie des caractéristiques.

Leçon 3 • Techniques de régression

Couvre la régression linéaire et polynomiale pour la prédiction de sorties continues. Établit le cadre de minimisation de la perte réutilisé dans tous les algorithmes ultérieurs.

Leçon 4 • Évaluation et sélection des modèles

Enseigne la validation croisée, le compromis biais-variance et les métriques de performance pour une comparaison équitable des modèles. Garantit que les étudiants peuvent justifier les choix d'algorithmes avec des preuves quantitatives.

Leçon 1 • Réseaux feedforward et rétropropagation

Explique l'architecture du perceptron multicouche et l'algorithme de rétropropagation. Relie la circulation du gradient aux concepts de calcul infinitésimal introduits au chapitre 2.

Leçon 2 • Perceptrons et fonctions d'activation

Introduit l'analogie du neurone biologique, le modèle du perceptron et les fonctions d'activation. Établit l'unité de calcul sur laquelle toutes les architectures plus profondes reposent.

Leçon 3 • Réseaux de neurones récurrents et séquences

Couvre les RNN, les LSTM et les GRU pour la modélisation de données séquentielles et de séries temporelles. Explique comment les mécanismes de portes résolvent le problème du gradient évanescent dans les séquences.

Leçon 4 • Réseaux de neurones convolutifs

Introduit la convolution, le pooling et les architectures CNN pour les données d'image et spatiales. Montre comment l'extraction locale de caractéristiques permet l'invariance par translation.

Leçon 1 • Mécanismes d'attention et transformers

Introduit l'auto-attention, l'attention multi-têtes et l'architecture du transformer. Explique pourquoi les transformers ont remplacé les RNN comme architecture dominante en NLP.

Leçon 2 • Applications et pipelines NLP

Applique les modèles de NLP à l'analyse de sentiments, à la reconnaissance d'entités nommées et au résumé automatique. Intègre le prétraitement, la modélisation et le post-traitement dans des pipelines de bout en bout.

Leçon 3 • Modèles de langage pré-entraînés

Couvre BERT, GPT et T5 comme modèles pré-entraînés fondateurs pour les tâches de NLP. Montre les stratégies de fine-tuning qui adaptent des modèles généraux à des domaines spécifiques.

Leçon 4 • Prétraitement et représentation de texte

Couvre la tokenisation, le stemming, la lemmatisation et les représentations vectorielles du texte. Établit le pipeline de données qui alimente tous les modèles NLP en aval.

Leçon 1 • Réseaux antagonistes génératifs

Explique le jeu entre le générateur et le discriminateur ainsi que la dynamique d'entraînement des GAN. Couvre l'effondrement de mode, l'instabilité de l'entraînement et les stratégies d'atténuation pratiques.

Leçon 2 • Modèles de diffusion et IA multimodale

Introduit les modèles de diffusion par débruitage et les modèles vision-langage comme CLIP. Positionne ces modèles comme la frontière actuelle de l'IA générative et multimodale.

Leçon 3 • Autoencodeurs variationnels

Couvre l'espace latent des VAE, l'astuce de reparamétrisation et la borne inférieure de la vraisemblance. Compare les VAE et les GAN en termes de diversité des sorties et de stabilité de l'entraînement.

Leçon 4 • Segmentation sémantique et estimation de pose

Introduit l'étiquetage au niveau du pixel et l'estimation de pose humaine comme des tâches avancées de vision. Montre en quoi la prédiction dense diffère de la détection par boîtes englobantes.

Leçon 1 • Évolutivité et infrastructure

Introduit les clusters GPU basés sur le cloud, l'entraînement distribué et l'auto-scaling pour les grands modèles. Prépare les étudiants à faire des compromis coût-performance dans les environnements de production.

Leçon 2 • Conditionnement et déploiement de modèles

Explique la conteneurisation, les API REST et les registres de modèles pour servir les prédictions. Relie les normes de conditionnement à un comportement cohérent entre les environnements.

Leçon 3 • Surveillance et observabilité

Couvre la détection de la dérive des données, de la dérive conceptuelle et de la dégradation des performances en production. Enseigne les stratégies de journalisation et d'alerte qui maintiennent la fiabilité des modèles dans le temps.

Leçon 4 • Conception et automatisation de pipelines ML

Couvre les composants du pipeline de bout en bout, de l'ingestion de données au déploiement de modèles. Établit la reproductibilité et l'automatisation comme valeurs fondamentales de l'ingénierie de production.

Leçon 1 • Gouvernance de l'IA et paysage réglementaire

Passe en revue les cadres de gouvernance de l'IA à l'échelle mondiale, la classification des risques et les structures de responsabilité organisationnelle. Dote les étudiants des moyens de naviguer dans les exigences de conformité sans référencer des codes juridiques spécifiques.

Leçon 2 • Explicabilité et interprétabilité

Couvre SHAP, LIME et la visualisation de l'attention comme outils de transparence des modèles. Explique pourquoi l'interprétabilité est essentielle pour la confiance, le débogage et la conformité réglementaire.

Leçon 3 • Stratégie d'IA et alignement commercial

Enseigne comment construire une feuille de route IA, mesurer le ROI et aligner les projets IA sur les objectifs commerciaux. Clôt le cours en reliant les compétences techniques à la prise de décision stratégique.

Leçon 4 • Sources de biais et métriques d'équité

Identifie les sources de biais liées aux données, aux algorithmes et à la société et les quantifie avec des métriques d'équité. Relie la détection des biais aux compétences de prétraitement et d'évaluation des chapitres précédents.