Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
1. Introduction au génie de l'IA
- Qu'est-ce que le génie de l'IA ?
- IA vs apprentissage automatique vs apprentissage profond
- Cycle de vie du génie de l'IA
- Applications de l'IA dans divers secteurs
- Rôles et responsabilités d'un ingénieur en IA
2. Fondements de l'intelligence artificielle
- Concepts clés et terminologie de l'IA
- Apprentissage supervisé, non supervisé et par renforcement
- Fondements des réseaux neuronaux et de l'apprentissage profond
- Aperçu de l'IA générative et des modèles de fondation (foundation models)
- Écosystèmes et frameworks de développement de l'IA
3. Python pour le génie de l'IA
- Bibliothèques Python essentielles pour l'IA
- NumPy, Pandas et Matplotlib
- Manipulation et visualisation des données
- Utilisation de Jupyter Notebooks
- Rédaction de code IA réutilisable
4. Préparation des données pour l'IA
- Collecte et compréhension des ensembles de données
- Nettoyage et prétraitement des données
- Ingénierie des fonctionnalités (feature engineering)
- Mise à l'échelle et normalisation des fonctionnalités
- Séparation des ensembles de données en ensembles d'entraînement, de validation et de test
- Gestion des valeurs manquantes et des valeurs aberrantes
5. Fondements de l'apprentissage automatique
- Algorithmes de régression
- Algorithmes de classification
- Techniques de clustering
- Flux de travail d'entraînement des modèles
- Métriques d'évaluation des modèles
- Prévention du surapprentissage (overfitting) et du sous-apprentissage (underfitting)
6. Construction de modèles d'IA avec TensorFlow et PyTorch
- Introduction à TensorFlow
- Introduction à PyTorch
- Création de réseaux neuronaux
- Entraînement et validation des modèles
- Sauvegarde et chargement des modèles
- Comparaison des deux frameworks
7. Fondements du traitement automatique du langage naturel (NLP)
- Prétraitement du texte
- Embeddings de mots (Word embeddings)
- Classification de texte
- Analyse des sentiments
- Introduction aux modèles de type transformeur
- Applications pratiques du NLP
8. L'IA dans le développement logiciel
- Intégration de l'IA dans les applications existantes
- Appel de services d'IA via des API
- Développement d'applications alimentées par l'IA
- Outils d'aide au développement logiciel assistés par l'IA
- Tests des applications activées par l'IA
9. Bonnes pratiques du génie de l'IA
- Organisation des projets
- Contrôle de version avec Git
- Suivi des expériences
- Versionnement des modèles
- Normes de documentation
- Reproductibilité dans les projets d'IA
10. Déploiement de modèles d'IA
- Sérialisation des modèles
- Création de services d'inférence
- APIs REST pour les modèles d'IA
- Introduction à Docker pour le déploiement de l'IA
- Surveillance des modèles déployés
- Maintenance et mises à jour des modèles
11. Ingénierie des données pour l'IA
- Pipelines de données
- Traitement ETL (Extract, Transform, Load)
- Gestion des données structurées et non structurées
- Solutions de stockage de données
- Gestion de la qualité des données
- Préparation d'ensembles de données prêts pour la production
12. IA responsable et éthique
- Biais et équité en IA
- IA explicable (XAI)
- Vie privée et protection des données
- Considérations de sécurité pour l'IA
- Développement responsable de l'IA
- Considérations réglementaires et de gouvernance
13. Gestion de projets d'IA
- Cycle de vie des projets d'IA
- Méthodologies agiles pour les projets d'IA
- Collaboration entre les équipes techniques et métier
- Estimation des projets d'IA
- Gestion des risques
- Évaluation du succès des projets
14. Atelier pratique de génie de l'IA et tendances futures
- Mise en place d'un flux de travail complet de développement d'IA
- Réalisation d'un projet d'apprentissage automatique de bout en bout
- Entraînement et évaluation d'un modèle à l'aide de TensorFlow ou PyTorch
- Déploiement d'une application d'IA simple
- Tendances actuelles du génie de l'IA
- IA générative et grands modèles linguistiques (LLM)
- MLOps et automatisation de l'IA
- Cursus professionnels et apprentissage continu
- Résumé, session de questions-réponses et prochaines étapes
Pré requis
- Une compréhension des concepts de programmation de base
- De l'expérience avec la programmation Python
- Une familiarité avec les statistiques de base et l'algèbre linéaire
Public cible
- Ingénieurs en IA
- Développeurs logiciels
- Analistes de données
14 Heures
Nos clients témoignent (2)
Le large éventail d'outils présentés
Miruna Buzduga - Aeronamic Eastern Europe
Formation - AI Enablement Training for Engineers
Traduction automatique
Formation pas à pas avec de nombreux exercices. C'était comme un atelier et j'en suis très content.
Ireneusz - Inter Cars S.A.
Formation - Intelligent Applications Fundamentals
Traduction automatique