Formation Développer des applications d'Intelligence Artificielle et Machine Learning Big Data

Programme de la formation
Développer des applications d'Intelligence Artificielle et Machine Learning Big Data

• Introduction au Big Data, ML et IA

  - Définition et enjeux du Big Data dans l'IA et le ML
  - Panorama des applications et cas d'usage (reconnaissance d'images, NLP)
  - Architecture générale des systèmes Big Data (Hadoop, Spark)

• Bases de Python pour la Data Science

  - Rappels fondamentaux de Python (structures de données, fonctions)
  - Manipulation de données avec NumPy et Pandas
  - Visualisation de données avec Matplotlib et Seaborn

• Collecte et Stockage de Données Massives

  - Sources de données (bases de données relationnelles et NoSQL)
  - Introduction à HDFS (Hadoop Distributed File System)
  - Principes d'ingestion de données (Flume, Sqoop)

• Traitement et Pré-traitement Big Data avec Spark

  - Introduction à Apache Spark (concepts, architecture)
  - Manipulation de RDDs et DataFrames avec PySpark
  - Nettoyage et transformation des jeux de données massifs

• Algorithmes de Machine Learning supervisé

  - Régression linéaire et logistique
  - Arbres de décision et forêts aléatoires
  - Évaluation des modèles (accuracy, précision, rappel, F1-score)

• Algorithmes de Machine Learning non supervisé

  - Clustering (K-Means, DBSCAN)
  - Réduction de dimension (PCA, t-SNE)
  - Détection d'anomalies

• Fondamentaux du Deep Learning et Réseaux de Neurones

  - Neurones artificiels, fonctions d'activation
  - Réseaux de neurones feed-forward, rétropropagation
  - Introduction aux frameworks (TensorFlow, Keras)

• Réseaux de Neurones Convolutionnels (CNN)

  - Architecture des CNN (couches de convolution, pooling)
  - Applications en vision par ordinateur (classification d'images)
  - Transfer Learning et modèles pré-entraînés

• Réseaux de Neurones Récurrents (RNN) et NLP

  - Architecture des RNN (LSTM, GRU)
  - Traitement du Langage Naturel (NLP)
  - Embedding de mots (Word2Vec, GloVe)

• Optimisation et Déploiement de Modèles ML/IA

  - Optimisation des hyperparamètres (Grid Search, Random Search)
  - Gestion du cycle de vie des modèles (MLflow)
  - Déploiement de modèles en production (API REST)

• Évaluation et Monitoring des Systèmes IA

  - Métriques avancées et interprétabilité des modèles (SHAP, LIME)
  - Monitoring de la performance et dérive des données
  - Bonnes pratiques de MLOps

• Cas Pratiques et Projet de Synthèse

  - Revue de cas d'usage réels Big Data, ML et IA
  - Conception et développement d'une application IA bout-en-bout
  - Présentation des projets et retours d'expérience