Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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
Nos clients témoignent (2)
Le large éventail d'outils présentés
Miruna Buzduga - Aeronamic Eastern Europe
Formation - AI Enablement Training for Engineers
Traduction automatique
Formation pas à pas avec de nombreux exercices. C'était comme un atelier et j'en suis très content.
Ireneusz - Inter Cars S.A.
Formation - Intelligent Applications Fundamentals
Traduction automatique