Formation tech et intelligence artificielle

Leçon 1 • Comment fonctionnent les systèmes numériques

Couvre les couches matérielles, logicielles et réseau qui sous-tendent tous les systèmes d'IA. Établit le vocabulaire technique utilisé tout au long du cours.

Leçon 2 • Histoire et évolution de l'IA

Retrace l'IA des systèmes basés sur des règles à l'apprentissage profond moderne. Fournit un contexte historique qui explique les capacités et les limitations actuelles.

Leçon 3 • La donnée comme ressource principale

Explique les types de données structurées, non structurées et semi-structurées et leurs rôles dans l'IA. Relie directement la qualité des données à la performance des modèles.

Leçon 1 • Sources de données et méthodes d'acquisition

Passe en revue les sources de données primaires, secondaires et synthétiques ainsi que les techniques de collecte. Ancre les étudiants dans l'origine des données d'IA réelles.

Leçon 2 • Conception du stockage et des pipelines de données

Couvre les bases de données, les entrepôts de données et les pipelines automatisés pour un flux de données continu. Assure que les étudiants peuvent concevoir une infrastructure de données évolutive pour les projets d'IA.

Leçon 3 • Nettoyage et prétraitement des données

Enseigne la détection et la correction des valeurs manquantes, des valeurs aberrantes et des incohérences. Améliore directement la précision et la fiabilité des modèles en aval.

Leçon 1 • Techniques d'apprentissage non supervisé

Présente le clustering, la réduction de dimensionnalité et la détection d'anomalies sans données étiquetées. Développe la capacité des étudiants à extraire des motifs à partir de jeux de données non étiquetés.

Leçon 2 • Algorithmes d'apprentissage supervisé

Couvre la régression, les arbres de classification et les machines à vecteurs de support avec des exemples travaillés. Construit la boîte à outils algorithmique utilisée dans la plupart des systèmes ML de production.

Leçon 3 • Entraînement et optimisation des modèles

Explique les fonctions de perte, la descente de gradient et le réglage des hyperparamètres. Équipe les étudiants pour améliorer la performance du modèle de manière systématique.

Leçon 4 • Évaluation et sélection des modèles

Enseigne la précision, la justesse, le rappel, le F1, l'AUC-ROC et la validation croisée pour une comparaison équitable des modèles. Empêche le surajustement et le sous-ajustement dans les systèmes déployés.

Leçon 1 • Fondamentaux des réseaux de neurones

Explique les neurones, les couches, les fonctions d'activation et la propagation avant. Fournit l'intuition mathématique nécessaire pour tous les sujets d'apprentissage profond à venir.

Leçon 2 • Réseaux de neurones convolutifs

Couvre la convolution, le pooling et l'extraction de cartes d'attributs pour les données d'image. Permet aux étudiants de construire des classifieurs d'images et des détecteurs d'objets.

Leçon 3 • Entraînement efficace des modèles profonds

Aborde la normalisation par lots, le dropout, l'arrêt précoce et l'utilisation du GPU. Réduit les échecs d'entraînement et accélère la convergence en pratique.

Leçon 1 • Ajustement fin et adaptation au domaine

Couvre l'ajustement fin supervisé, les méthodes paramétriques efficaces et les jeux de données spécifiques au domaine. Prépare les étudiants à personnaliser les LLM pour des besoins organisationnels spécialisés.

Leçon 2 • Ingénierie des requêtes et applications génératives

Développe les compétences nécessaires pour élaborer, itérer et évaluer des requêtes pour les sorties d'IA générative. Permet aux étudiants de déployer des LLM dans des flux de travail réels sans réentraînement.

Leçon 3 • Architecture Transformer et grands modèles de langage

Explique les mécanismes d'attention, les blocs Transformer et les familles de LLM pré-entraînés. Donne aux étudiants la base conceptuelle pour utiliser et ajuster finement les LLM.

Leçon 4 • Représentation et prétraitement du texte

Couvre la tokenisation, le racinage, les plongements de mots et le TF-IDF pour convertir le texte en nombres. Établit le pipeline d'entrée pour tous les modèles de TALN.

Leçon 1 • Systèmes d'IA multimodale

Intègre la vision et le langage dans des modèles unifiés pour le sous-titrage, la réponse à des questions visuelles et la recherche. Prépare les étudiants à la classe croissante de produits d'IA cross-modale.

Leçon 2 • Segmentation sémantique et par instance

Enseigne l'étiquetage au niveau du pixel pour la compréhension de scène et des cas d'utilisation en imagerie médicale. Étend les compétences de détection d'objets à une analyse spatiale plus fine.

Leçon 3 • Classification d'images et détection d'objets

S'appuie sur les connaissances des CNN pour mettre en œuvre des classifieurs et des détecteurs sur des jeux de données d'images réels. Relie la théorie de l'apprentissage profond à des pipelines de vision pratiques.

Leçon 1 • Passage à l'échelle de l'infrastructure IA

Aborde l'entraînement distribué, l'auto-scaling et l'optimisation des coûts pour les charges de travail importantes. Prépare les étudiants à gérer des systèmes d'IA à l'échelle de l'entreprise.

Leçon 2 • Pipelines CI/CD pour le ML

Adapte les pratiques d'intégration et de déploiement continus aux mises à jour des modèles ML. Permet des versions de modèles fiables et automatisées avec une intervention manuelle minimale.

Leçon 3 • Surveillance et détection de dérive des modèles

Enseigne la détection de la dérive des données, de la dérive du concept et de la dégradation des performances en production. Assure que les modèles déployés restent précis au fil du temps.

Leçon 4 • Empaquetage et service des modèles

Couvre les formats de sérialisation, les API REST et la conteneurisation pour le service des modèles. Comble le fossé entre les modèles entraînés et les systèmes de production en direct.

Leçon 1 • Explicabilité et transparence

Enseigne SHAP, LIME et les fiches de modèles pour communiquer les décisions de l'IA aux parties prenantes. Renforce la confiance et soutient la responsabilité dans les applications à forts enjeux.

Leçon 2 • Sources de biais et métriques d'équité

Cartographie les origines des biais, de la collecte des données à la sortie du modèle, et les quantifie avec des métriques d'équité. Ancre l'analyse éthique dans des termes techniques mesurables.

Leçon 3 • Vie privée, sécurité et droits sur les données

Aborde la confidentialité différentielle, l'apprentissage fédéré et la minimisation des données pour protéger les individus. Relie les contrôles techniques aux obligations de confidentialité.

Leçon 4 • Techniques d'atténuation des biais

Couvre les méthodes de débiaisage en prétraitement, en cours de traitement et en post-traitement. Équipe les étudiants pour réduire les résultats discriminatoires sans sacrifier la précision.