Formation Formation Développeur Intelligence Artificielle – Compétences Avancées et Projets IA

Programme de la formation
Formation Développeur Intelligence Artificielle – Compétences Avancées et Projets IA

• Introduction à l'Intelligence Artificielle et Python pour l'IA

  - Définition et histoire de l'IA (IA faible, forte, générale)
  - Applications concrètes de l'IA aujourd'hui
  - Environnement de développement Python (Anaconda, Jupyter)
  - Bases de la programmation Python (variables, boucles, fonctions, POO)

• Algorithmes et Structures de Données Essentielles

  - Complexité algorithmique (O-notation)
  - Structures de données fondamentales (listes, dictionnaires, ensembles)
  - Introduction aux algorithmes de tri et de recherche
  - Manipulation de données avec NumPy pour l'IA

• Fondamentaux du Machine Learning Supervisé

  - Introduction au Machine Learning (ML), types d'apprentissage
  - Régression linéaire et logistique
  - Overfitting et underfitting, biais/variance
  - Premiers pas avec Scikit-learn

• Machine Learning : Classification et Évaluation

  - Algorithmes de classification : K-NN, SVM
  - Arbres de décision et forêts aléatoires
  - Métriques d'évaluation (précision, rappel, F1-score, courbe ROC)
  - Pré-traitement des données : normalisation, encodage

• Machine Learning : Non Supervisé et Traitements

  - Introduction au Machine Learning non supervisé
  - Algorithmes de clustering : K-Means, DBSCAN
  - Réduction de dimensionnalité : PCA
  - Gestion des valeurs manquantes et des outliers

• Introduction au Deep Learning et Réseaux de Neurones

  - Concepts fondamentaux du Deep Learning
  - Architecture des réseaux de neurones (neurone, couches, activation)
  - Rétropropagation et descente de gradient
  - Introduction à TensorFlow/Keras

• Réseaux de Neurones Convolutifs (CNN)

  - Principes des CNN pour le traitement d'images
  - Couches de convolution, pooling, activation
  - Architectures de CNN populaires (LeNet, AlexNet, VGG)
  - Application pratique : classification d'images

• Réseaux de Neurones Récurrents (RNN)
• Déploiement et Optimisation des Modèles IA

  - Sauvegarde et chargement de modèles (pickle, HDF5)
  - Conversion de modèles (ONNX)
  - Introduction aux APIs web (Flask, FastAPI)
  - Déploiement basique sur serveur local

• MLOps : Gestion et Surveillance des Modèles

  - Introduction au MLOps : cycle de vie d'un projet IA
  - Versioning des modèles et des données
  - Surveillance des performances en production (dérive)
  - Bonnes pratiques de maintenance de modèles

• Cadres et Architectures de Deep Learning Avancées

  - Transfert learning et fine-tuning
  - Introduction aux modèles Génératifs (GANs)
  - Transformers et modèles de langage (BERT, GPT - concepts)
  - Éthique et biais en IA

• Projet Pratique et Cas d'Usage en IA

  - Consolidation des acquis via un projet tutoré
  - Identification et choix d'un cas d'usage IA
  - Conception, entraînement et déploiement simplifié d'un modèle
  - Présentation et analyse des résultats du projet