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.
Bases de l'Apprentissage Profond (Deep Learning)
- Réseaux de neurones et apprentissage profond.
- Fonctions d'activation, fonctions de perte 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 génératifs.
- Cas d'utilisation des modèles génératifs.
Autoencodeurs Variationnels (VAE)
- Compréhension des 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 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
- L'IA Générative dans l'art et la créativité.
- Applications dans les affaires et le marketing.
- L'IA Générative dans la science et la recherche.
Projet Final (Capstone)
- 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
