Plan du cours
Introduction à l'IA générative
- Qu'est-ce que l'IA générative ?
- Histoire et évolution de l'IA générative
- Concepts clés et terminologie
- Aperçu des applications et du potentiel de l'IA générative
Fondamentaux de l'apprentissage automatique (Machine Learning)
- Introduction à l'apprentissage automatique
- Types d'apprentissage automatique : supervisé, non supervisé et par renforcement
- Algorithmes et modèles de base
- Prétraitement des données et ingénierie des caractéristiques (feature engineering)
Bases de l'apprentissage profond (Deep Learning)
- Réseaux de neurones et apprentissage profond
- Fonctions d'activation, fonctions de coût et optimiseurs
- Surapprentissage, sous-apprentissage et techniques de régularisation
- Introduction à TensorFlow et PyTorch
Aperçu des modèles génératifs
- Types de modèles génératifs
- Différences entre les modèles discriminatifs et les modèles génératifs
- Cas d'utilisation des modèles génératifs
Autoencodeurs variationnels (VAE)
- Comprendre les autoencodeurs
- L'architecture des VAE
- L'espace latent et son importance
- Projet pratique : construction d'un VAE simple
Réseaux antagonistes génératifs (GAN)
- Introduction aux GAN
- L'architecture des GAN : générateur et discriminateur
- Entraînement des GAN et défis associés
- Projet pratique : création d'un GAN de base
Modèles génératifs avancés
- Introduction aux modèles de type Transformer
- Aperçu des modèles GPT (Generative Pretrained Transformer)
- Applications des GPT dans la génération de texte
- Projet pratique : génération de texte avec un modèle GPT pré-entraîné
Éthique et implications
- Considérations éthiques dans l'IA générative
- Biais et équité dans les modèles d'IA
- Implications futures et IA responsable
Applications industrielles de l'IA générative
- IA générative dans l'art et la créativité
- Applications en entreprise et marketing
- IA générative dans la science et la recherche
Projet de fin de formation (Capstone Project)
- Idéation et proposition d'un projet d'IA générative
- Collecte et prétraitement des données
- Sélection et entraînement du modèle
- Évaluation et présentation des résultats
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts de programmation de base en Python.
- Une expérience avec les concepts mathématiques de base, en particulier les probabilités et l'algèbre linéaire.
Public cible
- Développeurs
Nos clients témoignent (2)
Le style interactif, les exercices
Tamas Tutuntzisz
Formation - Introduction to Prompt Engineering
Traduction automatique
Une excellente collection de ressources pour un usage futur, le style de l'enseignant (plein d'humour et de détails pertinents)
Adam - GE Aerospace Poland Sp. z o.o.
Formation - Prompt Engineering for ChatGPT
Traduction automatique
