Formation Maîtriser l'état de l'art en Machine Learning et Intelligence Artificielle

Programme de la formation
Maîtriser l'état de l'art en Machine Learning et Intelligence Artificielle

• Introduction au Machine Learning Avancé

  - Rappel des fondamentaux du ML et perspectives actuelles
  - Panorama des défis et opportunités du ML moderne
  - Introduction aux architectures matérielles pour l'IA (GPU, TPU)
  - Vue d'ensemble des dernières tendances de recherche en ML

• Deep Learning : Architectures Fondamentales

  - Réseaux de neurones convolutifs (CNN) et leurs applications
  - Réseaux de neurones récurrents (RNN), LSTMs et GRUs
  - Architectures de transformers et mécanismes d'attention
  - Bonnes pratiques pour l'entraînement des réseaux profonds

• Modèles Génératifs : GANs et VAEs

  - Principes des Generative Adversarial Networks (GANs)
  - Variational Autoencoders (VAEs) et leurs applications
  - Entraînement et évaluation des modèles génératifs
  - Exemples d'applications concrètes (synthèse d'images, de textes)

• Apprentissage par Renforcement Profond (DRL)

  - Fondamentaux de l'apprentissage par renforcement
  - Algorithmes DRL classiques (DQN, Policy Gradients, Actor-Critic)
  - Environnements de simulation et librairies (Gym, Stable Baselines)
  - Applications en robotique, jeux et optimisation

• Apprentissage Non-Supervisé et Auto-Supervisé
• ML Opérationnel (MLOps) et Déploiement

  - Cycle de vie d'un projet ML en production
  - Outils de gestion des versions et des expériences (MLflow, Comet)
  - Déploiement de modèles (API, conteneurisation avec Docker/Kubernetes)
  - Surveillance et maintenance des modèles en production

• Éthique, Biais et Explicabilité en IA

  - Identification et mitigation des biais dans les données et modèles
  - Interprétabilité et explicabilité des modèles (XAI : LIME, SHAP)
  - Conséquences éthiques et réglementaires du ML
  - Approches pour un ML responsable et équitable

• Tendances Emergentes et Cas d'Étude Avancés

  - Apprentissage Fédéré et confidentialité des données
  - Apprentissage sur Graphes et applications
  - ML quantique : principes et perspectives
  - Étude de cas pratiques et discussions sur l'avenir du ML