Formation Formation Développeur Intelligence Artificielle – Compétences Avancées et Projets IA

01.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)

02.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

03.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

04.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

05.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

06.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

07.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

08.Réseaux de Neurones Récurrents (RNN)

09.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

10.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

11.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

12.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