Prenez contact avec nous

Plan du cours

1. Introduction à l'Ingénierie de l'IA

  • Qu'est-ce que l'ingénierie de l'IA ?
  • IA vs Apprentissage Automatique vs Apprentissage Profond
  • Cycle de vie de l'ingénierie de l'IA
  • Applications de l'IA à travers les industries
  • Rôles et responsabilités d'un ingénieur en IA

2. Fondamentaux de l'Intelligence Artificielle

  • Concepts clés et terminologie de l'IA
  • Apprentissage supervisé, non supervisé et par renforcement
  • Fondamentaux des réseaux neuronaux et de l'apprentissage profond
  • Aperçu de l'IA générative et des modèles fondationnels
  • Écosystèmes et frameworks de développement de l'IA

3. Python pour l'Ingénierie de l'IA

  • Bibliothèques Python essentielles pour l'IA
  • NumPy, Pandas et Matplotlib
  • Manipulation et visualisation des données
  • Utilisation de Jupyter Notebooks
  • Rédaction de code AI réutilisable

4. Préparation des Données pour l'IA

  • Collecte et compréhension des ensembles de données
  • Nettoyage et prétraitement des données
  • Ingenierie des caractéristiques (Feature Engineering)
  • Mise à l'échelle et normalisation des caractéristiques
  • Séparation des ensembles de données en ensembles d'entraînement, de validation et de test
  • Gestion des valeurs manquantes et des valeurs aberrantes

5. Fondamentaux de l'Apprentissage Automatique

  • Algorithmes de régression
  • Algorithmes de classification
  • Techniques de clustering
  • Flux de travail d'entraînement des modèles
  • Métriques d'évaluation des modèles
  • Prévention du surapprentissage et du sous-apprentissage

6. Construction de Modèles IA avec TensorFlow et PyTorch

  • Introduction à TensorFlow
  • Introduction à PyTorch
  • Création de réseaux neuronaux
  • Entraînement et validation des modèles
  • Sauvegarde et chargement des modèles
  • Comparaison des deux frameworks

7. Fondamentaux du Traitement Automatique du Langage Naturel (NLP)

  • Prétraitement du texte
  • Plongements lexicaux (Word Embeddings)
  • Classification de texte
  • Analyse des sentiments
  • Introduction aux modèles de type Transformateur
  • Applications pratiques du NLP

8. L'IA dans le Développement Logiciel

  • Intégration de l'IA dans les applications existantes
  • Appel de services d'IA via des API
  • Développement d'applications alimentées par l'IA
  • Outils d'aide au développement logiciel assistée par IA
  • Tests des applications activées par l'IA

9. Meilleures Pratiques de l'Ingénierie de l'IA

  • Organisation des projets
  • Gestion des versions avec Git
  • Suivi des expériences
  • Gestion des versions des modèles
  • Normes de documentation
  • Reproductibilité dans les projets d'IA

10. Déploiement des Modèles IA

  • Sérialisation des modèles
  • Construction de services d'inférence
  • APIs REST pour les modèles d'IA
  • Introduction à Docker pour le déploiement de l'IA
  • Surveillance des modèles déployés
  • Maintenance et mises à jour des modèles

11. Ingénierie des Données pour l'IA

  • Pipelines de données
  • Traitements ETL (Extract, Transform, Load)
  • Gestion des données structurées et non structurées
  • Options de stockage de données
  • Gestion de la qualité des données
  • Préparation d'ensembles de données prêts pour la production

12. IA Responsable et Éthique

  • Biais et équité dans l'IA
  • IA explicable (XAI)
  • Confidentialité et protection des données
  • Considérations de sécurité de l'IA
  • Développement d'une IA responsable
  • Considérations réglementaires et de gouvernance

13. Gestion de Projet en IA

  • Cycle de vie des projets d'IA
  • Méthodologies agiles pour les projets d'IA
  • Collaboration entre les équipes techniques et commerciales
  • Estimation des projets d'IA
  • Gestion des risques
  • Évaluation du succès du projet

14. Atelier Pratique sur l'Ingénierie de l'IA et Tendances Futures

  • Mise en place d'un flux de travail complet de développement IA
  • Réalisation d'un projet d'apprentissage automatique de bout en bout
  • Entraînement et évaluation d'un modèle en utilisant TensorFlow ou PyTorch
  • Déploiement d'une application IA simple
  • Tendances actuelles dans l'ingénierie de l'IA
  • IA générative et Modèles de Langage à Grande échelle (LLM)
  • MLOps et automatisation de l'IA
  • Parcours de carrière et apprentissage continu
  • Résumé, Questions/Réponses et prochaines étapes

Pré requis

  • Une compréhension des concepts de base de la programmation.
  • De l'expérience en programmation Python.
  • Une familiarité avec les statistiques de base et l'algèbre linéaire.

Public cible

  • Ingénieurs en IA.
  • Développeurs logiciels.
  • Analistes de données.
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires