À Distance
30 heures
Français
Ce cours vous plongera dans l’univers fascinant de l’Intelligence Artificielle en utilisant Python comme langage de programmation principal. Vous acquerrez une compréhension solide des concepts fondamentaux de l’IA, apprendrez à utiliser les bibliothèques Python clés telles que TensorFlow, Keras, PyTorch et Scikit-learn, et développerez des compétences pratiques pour créer vos propres applications d’IA.
- 30 heures / en ligne
Public cible
- Étudiants en informatique, mathématiques, sciences de l'ingénieur ou toute autre discipline intéressée par l'IA.
- Professionnels souhaitant acquérir des compétences en IA pour booster leur carrière.
- Passionnés d'IA désireux d'explorer les possibilités offertes par Python et ses bibliothèques.
Prérequis
- Connaissances de base en programmation Python.
- Notions de mathématiques (algèbre linéaire, calcul) et de statistiques.
À l'issue de ce cours, vous serez capable de:
- Comprendre les concepts fondamentaux de l'IA et de l'apprentissage automatique.
- Utiliser Python et ses bibliothèques clés pour construire et entraîner des modèles d'IA.
- Appliquer l'IA à des problèmes concrets dans différents domaines.
- Analyser et interpréter les résultats de vos modèles.
- Présenter vos projets de manière claire et professionnelle.
Modules du cours
Module 1 – Introduction à l’IA et à Python (5 heures)
Introduction à l’Intelligence Artificielle (1 heure)
- Définition de l'IA, historique et domaines d'application.
- Types d'IA : IA faible, IA forte, apprentissage automatique, apprentissage profond.
- Éthique et enjeux de l'IA.
Python pour l’IA (2 heures)
- Installation et configuration de l'environnement de développement Python.
- Révision des bases de Python : syntaxe, structures de données, fonctions, modules.
- Introduction aux bibliothèques NumPy, Pandas et Matplotlib pour la manipulation et la visualisation de données.
Premier projet : Analyse exploratoire de données (2 heures)
- Chargement et nettoyage d'un jeu de données
- Exploration des données : statistiques descriptives, visualisations.
- Préparation des données pour l'apprentissage automatique.
Module 2 – Apprentissage Automatique avec Scikit-learn (5 heures)
Principes de l’apprentissage automatique (1 heure)
- Apprentissage supervisé vs non supervisé.
- Classification, régression, clustering.
- Métriques d'évaluation des modèles.
Scikit-learn : la boîte à outils de l’apprentissage automatique (4 heures)
- Utilisation de Scikit-learn pour construire, entraîner et évaluer des modèles d'apprentissage automatique.
- Algorithmes de classification : k-nearest neighbors, arbres de décision, forêts aléatoires, machines à vecteurs de support (SVM).
- Algorithmes de régression : régression linéaire, régression polynomiale, régression ridge et lasso.
- Algorithmes de clustering : k-means, classification hiérarchique.
Module 3 – Réseaux de Neurones Artificiels avec TensorFlow et Keras (5 heures)
Introduction aux réseaux de neurones (1.5 heures)
- Neurones artificiels, couches, fonctions d'activation.
- Perceptron multicouche, rétropropagation de l'erreur.
TensorFlow : le framework de l’apprentissage profond (1.5 heures)
- Concepts de base de TensorFlow : tenseurs, graphes de calcul, sessions.
- Construction et entraînement de réseaux de neurones simples avec TensorFlow
Keras : l’API conviviale pour TensorFlow (2 heures)
- Utilisation de Keras pour simplifier la création et l'entraînement de réseaux de neurones.
- Construction de modèles plus complexes : réseaux de neurones convolutifs (CNN) pour la vision par ordinateur, réseaux de neurones récurrents (RNN) pour le traitement du langage naturel.
Module 4 – Apprentissage Profond Avancé avec PyTorch (5 heures)
PyTorch : le framework flexible pour l’apprentissage profond (2 heures)
- Concepts de base de PyTorch : tenseurs, gradients automatiques, modules
- Construction et entraînement de réseaux de neurones avec PyTorch.
Techniques avancées d’apprentissage profond (3 heures)
- Transfer learning : réutilisation de modèles pré-entraînés pour de nouvelles tâches.
- Optimisation des hyperparamètres : recherche des meilleurs paramètres pour un modèle.
- Déploiement de modèles : mise en production d'un modèle d'IA.
Module 5 – Applications de l’IA (5 heures)
Vision par ordinateur (2 heures)
- Classification d'images, détection d'objets, segmentation d'images.
- Utilisation de CNN pré-entraînés et entraînement de modèles personnalisés.
Traitement du langage naturel (PLN) (2 heures)
- Analyse de sentiments, traduction automatique, génération de texte.
- Utilisation de modèles de PLN pré-entraînés et entraînement de modèles personnalisés.
Autres applications (1 heure)
- Systèmes de recommandation, jeux, robotique, finance, etc.
Module 6 – Projet Final (5 heures)
Conception et réalisation d’un projet d’IA complet
- Choix d'un sujet et d'un jeu de données.
- Préparation des données, construction et entraînement d'un modèle.
- Évaluation du modèle et optimisation.
- Présentation du projet et des résultats.
Evaluation
- Quiz à la fin de chaque module pour évaluer la compréhension des concepts
- Exercices pratiques tout au long du cours pour mettre en application les compétences acquises.
- Projet final évalué sur la qualité du code, la pertinence de l'approche, l'analyse des résultats et la présentation.
- Vous postulez
Parlez-nous un peu de vous et nous vous aiderons pour le reste. Notre outil de candidature en ligne pratique ne prend que 10 minutes.
- Nous nous connectons
Après avoir soumis votre candidature, un représentant des admissions vous contactera et vous aidera à terminer le processus.
