Programme de la formation
Concevoir et Développer des Solutions d'Intelligence Artificielle Performantes

• Introduction à l'IA et aux architectures de solutions

  - Définition et histoire de l'IA (IA faible, forte, générale)
  - Applications actuelles et futures de l'IA
  - Types d'architectures de solutions IA (centralisées, distribuées, embarquées)

• Fondamentaux du Machine Learning (ML)

  - Concepts clés : apprentissage supervisé, non supervisé, par renforcement
  - Algorithmes de classification : régression logistique, SVM, arbres de décision
  - Métriques d'évaluation et surapprentissage/sous-apprentissage

• Algorithmes avancés de Machine Learning

  - Algorithmes de régression : linéaire, polynomiale
  - Clustering : K-means, DBSCAN
  - Introduction aux ensembles : Random Forest, Gradient Boosting

• Introduction au Deep Learning (DL) et réseaux de neurones

  - Neurones artificiels, couches, fonctions d'activation
  - Architectures de réseaux de neurones (MLP, feedforward)
  - Backpropagation et optimisation (SGD, Adam)

• Réseaux de neurones convolutifs (CNN) pour la vision

  - Principes de convolution, pooling, couches fully connected
  - Architectures classiques : LeNet, AlexNet, VGG, ResNet
  - Applications en classification et détection d'objets

• Réseaux de neurones récurrents (RNN) pour le langage

  - Traitement de séquences et dépendances temporelles
  - Architectures RNN : LSTM, GRU
  - Applications en traitement du langage naturel (NLP)

• Traitement du Langage Naturel (NLP) avancé

  - Embeddings de mots : Word2Vec, GloVe
  - Architectures Transformers et modèles pré-entraînés (BERT, GPT)
  - Tâches NLP : traduction, génération de texte, analyse de sentiment

• Ingénierie des données pour l'IA

  - Collecte, nettoyage et préparation des données
  - Feature engineering et sélection de caractéristiques
  - Gestion des grands volumes de données (Big Data pour l'IA)

• Conception et architecture de solutions IA

  - Cycle de vie d'un projet IA (CRISP-DM, MLOps)
  - Choix des technologies et frameworks (TensorFlow, PyTorch, Scikit-learn)
  - Conception d'architectures résilientes et scalables

• Déploiement et mise en production de modèles IA

  - Conteneurisation (Docker) et orchestration (Kubernetes)
  - APIs pour l'IA : Flask, FastAPI
  - Surveillance des modèles et maintenance prédictive

• Éthique, biais et explicabilité dans l'IA

  - Enjeux éthiques et sociaux de l'IA
  - Détection et mitigation des biais algorithmiques
  - Explicabilité des modèles (XAI) : LIME, SHAP

• Optimisation et performances des systèmes IA

  - Optimisation des hyperparamètres et techniques d'entraînement
  - Optimisation des graphes de calcul et accélération matérielle (GPU, TPU)
  - Stratégies de passage à l'échelle (scalabilité horizontale/verticale)