Formation Déployer et Exploiter des Modèles d'Intelligence Artificielle Performants

Programme de la formation
Déployer et Exploiter des Modèles d'Intelligence Artificielle Performants

• Introduction à l'IA et au Machine Learning

  - Définition et histoire de l'IA et du ML
  - Types d'IA (faible, forte, générale)
  - Applications concrètes de l'IA
  - Pipeline d'un projet de Machine Learning
  - Éthique et limites de l'IA

• Fondamentaux de Python pour l'IA

  - Environnement de développement Python (Jupyter, Colab)
  - Bases de la programmation Python (variables, boucles, fonctions)
  - Structures de données essentielles (listes, dictionnaires)
  - Introduction à NumPy et Pandas pour la manipulation de données
  - Exercices pratiques de programmation

• Préparation et exploration de données

  - Collecte et chargement de données (CSV, SQL)
  - Nettoyage des données (valeurs manquantes, doublons)
  - Transformation des données (normalisation, encodage catégoriel)
  - Exploration des données avec Matplotlib et Seaborn
  - Analyse descriptive des données

• Principes du Machine Learning Supervisé

  - Concepts de régression et classification
  - Algorithmes de base : régression linéaire, k-NN
  - Séparation des données : entraînement, validation, test
  - Métriques d'évaluation (RMSE, accuracy, précision, rappel)
  - Introduction à Scikit-learn

• Entraînement de Modèles de Classification

  - Classification logistique et SVM
  - Arbres de décision et forêts aléatoires
  - Gestion du surapprentissage et sous-apprentissage
  - Optimisation des hyperparamètres (Grid Search, Random Search)
  - Cas pratiques de classification

• Principes du Machine Learning Non Supervisé

  - Clustering (K-Means, DBSCAN)
  - Réduction de dimensionnalité (ACP, t-SNE)
  - Applications du non supervisé (segmentation client, détection d'anomalies)
  - Interprétation des résultats
  - Exercices pratiques

• Introduction aux Réseaux de Neurones

  - Neuronnes artificiels et couches
  - Fonctions d'activation non linéaires
  - Rétropropagation et descente de gradient
  - Architectures de réseaux simples (MLP)
  - Introduction à TensorFlow/Keras

• Déploiement de Modèles d'IA

  - Sérialisation et chargement de modèles (Pickle, Joblib, HDF5)
  - Concepts de conteneurisation (Docker)
  - Création d'une API REST pour un modèle (Flask, FastAPI)
  - Tests unitaires et intégration continue
  - Mise en production simple d'un modèle local

• Monitoring et Maintenance de Modèles
• Consommation des Modèles d'IA

  - Intégration d'API de modèles dans des applications
  - Consommation de services Cloud (AWS SageMaker, Azure ML)
  - Gestion des requêtes et réponses asynchrones
  - Optimisation des performances des appels API
  - Sécurité et authentification des API

• Bonnes Pratiques de Développement IA

  - Code propre et reproductibilité
  - Versionnement de code et de données (Git, DVC)
  - Documentation des expériences et des modèles
  - Collaboration en équipe sur des projets IA
  - Revue de code et bonnes pratiques de déploiement

• Projet Pratique de Fin de Formation

  - Choix d'un cas d'usage réel
  - Collecte et préparation des données
  - Entraînement et optimisation d'un modèle
  - Déploiement simulé ou réel du modèle
  - Présentation des résultats et réfactoring