Prenez contact avec nous

Plan du cours

1. Introduction à l'ingénierie de l'IA

  • Qu'est-ce que l'ingénierie de l'IA ?
  • IA vs Apprentissage automatique vs Apprentissage profond
  • Cycle de vie de l'ingénierie de l'IA
  • Applications de l'IA dans divers secteurs
  • Rôles et responsabilités d'un ingénieur en IA

2. Fondamentaux de l'intelligence artificielle

  • Concepts et terminologie clés de l'IA.
  • Apprentissage supervisé, non supervisé et par renforcement
  • Fondamentaux des réseaux neuronaux et de l'apprentissage profond
  • Aperçu de l'IA générative et des modèles fondateurs
  • Écosystèmes et frameworks de développement de l'IA.

3. Python pour l'ingénierie de l'IA

  • Bibliothèques Python essentielles pour l'IA.
  • NumPy, Pandas et Matplotlib
  • Manipulation et visualisation des données
  • Travail avec les notebooks Jupyter
  • Rédaction de code IA réutilisable

4. Préparation des données pour l'IA

  • Collecte et compréhension des jeux de données
  • Nettoyage et prétraitement des données
  • Génie des caractéristiques (Feature engineering)
  • Mise à l'échelle et normalisation des caractéristiques
  • Séparation des jeux de données en ensembles d'entraînement, de validation et de test
  • Gestion des valeurs manquantes et des valeurs aberrantes

5. Fondamentaux de l'apprentissage automatique

  • Algorithmes de régression
  • Algorithmes de classification
  • Techniques de clustering
  • Workflow d'entraînement des modèles
  • Métriques d'évaluation des modèles
  • Prévention du surapprentissage et du sous-apprentissage

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. Fondamentaux du traitement du langage naturel (NLP)

  • Prétraitement du texte
  • Intégrations de mots (Word embeddings)
  • Classification de texte
  • Analyse des sentiments
  • Introduction aux modèles de type transformateur
  • 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 assisté par l'IA
  • Tests des applications intégrant l'IA

9. Meilleures pratiques de l'ingénierie de l'IA

  • Organisation des projets
  • Gestion des versions avec Git.
  • Suivi des expériences
  • Versionnage des modèles
  • Normes de documentation
  • Reproductibilité dans les projets d'IA

10. Déploiement de modèles d'IA

  • Sérialisation des modèles
  • Construction de services d'inférence
  • API 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
  • Traitements ETL (Extraction, Transformation, Chargement)
  • Gestion des données structurées et non structurées
  • Solutions de stockage de données
  • Gestion de la qualité des données
  • Préparation de jeux de données prêts pour la production

12. IA responsable et éthique

  • Biais et équité en IA.
  • IA explicable (XAI - Explainable AI)
  • Vie privée et protection des données
  • Considérations de sécurité liées à 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 équipes techniques et métiers
  • Estimation des projets d'IA
  • Gestion des risques
  • Mesure du succès des projets

14. Atelier pratique d'ingénierie de l'IA et tendances futures

  • Mise en place d'un flux de développement complet pour l'IA.
  • Réalisation d'un projet complet de machine learning (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 en ingénierie de l'IA.
  • IA générative et grands modèles linguistiques (LLM)
  • MLOps et automatisation de l'IA
  • Pistes professionnelles et apprentissage continu
  • Résumé, questions/réponses et prochaines étapes

Pré requis

  • Une compréhension des concepts de programmation de base.
  • De l'expérience avec la programmation en Python.
  • Des connaissances de base en statistiques et en algèbre linéaire.

Public cible

  • Ingénieurs en IA.
  • Développeurs logiciels.
  • Analistes de données.
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires