Formation Déployer et Exploiter des Modèles d'Intelligence Artificielle Performants

01.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

02.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

03.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

04.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

05.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

06.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

07.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

08.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

09.Monitoring et Maintenance de Modèles

10.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

11.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

12.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