ALIASE : formation data et IA à Colombes

Module M1
Introduction au langage python
• Environnement de développement
• Types de données : variables, tableaux, listes, dictionnaires, tuples
• Opérations courantes : conditions, boucles, fonctions, ...
• Modules et packages
• Manipulations de fichiers
• Built-in fonctions
• Optimisation de code & automatisation des tâches
• Programmation POO orientée objet : méthodes, classes, héritage
• Analyse des données (librairies Numpy & Pandas)
• Visualisation graphique des données (librairie Matplotlib)
• Gestion des Exceptions
Introduction à l'IA (Machine Learning et Deep Learning)
• Algorithmes d'apprentissage par familles (Regression, Classification, Clustering, ...)
• Domaines d'application
• Data Preprocessing
• Méthodes de préparation des données avant leur utilisation dans le Machine Learning
Algorithmes de l'apprentissage supervisé
- Régression
• Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage)
• Fonctionnement de l'apprentissage d'un modèle. Algorithme du « Gradient Descent »
• Pratique : développer des modèles de prédiction
• Evaluation des performances des modèles
• Exercices
- Classification
• Fonctionnement du modèle KNN, et autres modèles
• Pratique : développer des modèles de vision par ordinateur
• Evaluation des modèles, Matrice de confusion
• Exercices
Algorithmes de l'apprentissage non supervisé
• Modèles K-Means et DBSCAN
• Pratique : développer des modèles de clustering. Regroupement, Segmentation, Détection d'anomalies/fraudes
• Exercices
Réseaux de neurones et Deep Learning
• Fonctionnement et Entraînement des réseaux de neurones MLP, CNN, RNN
• Les environnements TensorFlow, Keras
• Pratique :
- Créer des modèles de reconnaissance d'images
- Time Series Forcasting,
- NLP (Natural Language Processing) avec LSTM ...
• Fine-Tunning : Optimisation des performances d'un modèle
• Exercices
Module M2
Gestion de projet d'IA
• Cycle de développement & Bonnes pratiques
• Performances d'un modèle (Overfitting, Régularisation, Cross Validation, ...)
• Modèles Hybrides
Déploiement des modèles
• Avec les APIs Flask et FastAPI, en modes script python et pages web
• Conteneurisation avec Docker
IA générative
• Comprendre le fonctionnement
• Comprendre les LLM (Large Language Model) & Transformers
• Pratique : Création d'agents conversationnels avancés basés sur GPT, Mistral et autres LLMs ...
• Librairie Langchain / Embedding
• Génération d'image et de son
Module M3
Détection d'anomalies
• modèles LOF, IF et autoencoder
Bases de données SQL