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 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
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