Plan du cours

Introduction à Generative AI

  • Qu'est-ce que Generative AI ?
  • Histoire et évolution de Generative AI
  • Concepts clés et terminologie
  • Aperçu des applications et du potentiel de Generative AI

Principes fondamentaux de Machine Learning

  • Introduction à l'apprentissage automatique
  • Types d'apprentissage automatique : Supervisé, non supervisé et Reinforcement Learning
  • Algorithmes et modèles de base
  • Prétraitement des données et ingénierie des caractéristiques

Deep Learning Notions de base

  • Réseaux neuronaux et apprentissage profond
  • Fonctions d'activation, fonctions de perte et optimiseurs
  • Techniques d'ajustement excessif, d'ajustement insuffisant et de régularisation
  • Introduction à TensorFlow et PyTorch

Aperçu des modèles génératifs

  • Types de modèles génératifs
  • Différences entre les modèles discriminants et les modèles génératifs
  • Cas d'utilisation des modèles génératifs

Autoencodeurs variationnels (VAE)

  • Comprendre les autoencodeurs
  • L'architecture des VAE
  • L'espace latent et sa signification
  • Projet pratique : Construction d'un VAE simple

Réseaux adversoriels génératifs (GAN)

  • Introduction aux GAN
  • L'architecture des GANs : Générateur et Discriminateur
  • Entraînement des GANs et défis
  • Projet pratique : Création d'un GAN de base

Modèles génératifs avancés

  • Introduction aux modèles de transformateurs
  • Aperçu des modèles GPT (Generative Pretrained Transformer)
  • Applications du GPT dans la génération de texte
  • Projet pratique : Génération de texte avec un modèle GPT pré-entraîné

Éthique et implications

  • Considérations éthiques dans Generative AI (en anglais)
  • Biais et équité dans les modèles d'IA
  • Implications futures et IA responsable

Industrie Applications de Generative AI

  • Generative AI dans l'art et la créativité
  • Applications dans le domaine des affaires et du marketing
  • Generative AI dans le domaine de la science et de la recherche

Projet de base

  • Idée et proposition d'un projet d'IA générative
  • Collecte et prétraitement des données
  • Sélection et entraînement de modèles
  • Évaluation et présentation des résultats

Résumé et prochaines étapes

Pré requis

  • Compréhension des concepts de base de la programmation en Python.
  • Une expérience des concepts mathématiques de base, en particulier des probabilités et de l'algèbre linéaire.

Public

  • Développeurs
 14 heures

Nombre de participants



Prix par participant

Cours Similaires

Catégories Similaires