Formation Professionnel certifié en Intelligence Artificielle (IA) - Avec certification

Jour 1 

Objectifs et structure de la formation

• Informations générales
• Approche pédagogique
• Objectifs pédagogiques
• Examen et certification

Concepts et principes fondamentaux de l'Intelligence Artificielle

• Intelligence Artificielle (IA)
• Histoire de l'IA
• Machine Learning
• Deep Learning
• Réseaux neuronaux
• Connaissances en IA
• Informatique cognitive, sémantique et soft computing
• Systèmes d'IA
• Principes de l'IA

Analyse et visualisation des données

• Analyse des données
• Virtualisation des données
• Considérations éthiques dans l'analyse des données
• Principes de conception, théorie des couleurs et perception visuelle
• Outil populaire de visualisation des données

Jour 2

Fondements de la Data Science et du Machine Learning

• Introduction à la Data Science
• Qu'est-ce que le Machine Learning ?
• Concepts clés : modèles, algorithmes et apprentissages
• Différents types de données
• Théorème "No-Free Lunch"

Workflow du Machine Learning

• Comprendre le workflow du Machine Learning
• Définition du problème et définition des objectifs
• Collecte de données
• Analyse exploratoire des données (EDA)
• Nettoyage et prétraitement des données 
• Ingénierie des caractéristiques
• Modélisation et évaluation
• Déploiement et surveillance
• Types de systèmes ML

Apprentissage supervisé

• Introduction et aperçu de l'apprentissage supervisé
• Régression linéaire
• Régression logistique
• K-Nearest Neighbors (KNN)
• Evaluation des modèles d'apprentissage supervisé

Apprentissage non supervisé

• Exploration des algorithmes de regroupement
• Apprentissage des règles d'association
• Evaluation des résultats de regroupement

ML avancé et applications plus larges

• Introduction à l'apprentissage par renforcement et applications
• Introduction aux réseaux neuronaux
• Apprentissage auto-supervisé
• Introduction à l'analyse des séries chronologiques
• Systèmes de recommandation
• Détection des anomalies

Exemple de travaux pratiques (à titre indicatif) 

• Etudes de cas sur Machine Learning

Jour 3

Concepts fondamentaux du traitement automatique du langage naturel (NLP)

• Pourquoi le NLP est-il important ?
• Linguistique fondamentale pour le langage naturel
• Prétraitement du texte
• Tronçonnage et lemmatisation
• Mots vides et filtrage de base
• Méthodes basées sur des règles ou méthodes statistiques
• Marquage POS
• Notions de base sur la reconnaissance d'entités nommées (NER)

Techniques de base et intermédiaires du NPL

• Bag of Words (BoW) et TF-IDF
• Word Embeddings
• Document Embeddings
• Classification de texte et analyse des sentiments
• Biais et équité dans le NLP

Traitement automatique du langage naturel : transformateurs et grands modèles linguistiques

• Le transformateur et le mécanisme d'attention
• Architectures encodeur, décodeur et encodeur/décodeur
• Série GPT
• Au-delà de GPT
• Innovations dans les modèles spécialisés et de raisonnement
• Ingénierie de prompt

Applications NLP et orientations futures

• Traduction automatique et NLP multilingue
• IA conversationnelle et ChatGPT
• Apprentissage par renforcement à partir des commentaires humains
• Traitement du langage naturel multimodal
• Génération de texte et cas d'utilisation créatifs
• Gestion des hallucinations et des fausses informations

Concepts fondamentaux du Deep Learning

• Qu'est-ce que le Deep Learning ?
• Neurones, couches et fonctions d'activation
• Passage vers l'avant et rétropropagation
• Régularisation
• Initialisation et normalisation
• Optimiseurs
• Types de fonctions de perte
• Surveillance des performances
• Considérations relatives au GPU et au matériel

Architectures de Deep Learning et techniques avancées

• Réseaux à action directe
• Perceptrons multicouches (MLP)
• Notions de base sur les réseaux neuronaux convolutifs (CNN)
• Architectures CNN courantes
• Fondements des réseaux neuronaux récurrents
• AutoML
• Réglage des hyperparamètres

Jour 4

Modèles génératifs et architectures spécialisées

• Que sont les modèles génératifs ?
• Types de modèles génératifs
• Applications des modèles génératifs
• Comprendre les auto-encodeurs
• Principes de base des réseaux antagonistes génératifs (GAN)
• Comment les GAN apprennent-ils ?

Deep Learning et orientations futures

• Véhicules autonomes
• Traitement automatique du langage naturel (NLP)

Exemples de travaux pratiques (à titre indicatif)

• Etudes de cas :
• Progrès médicaux grâce à l'IA
• Les réseaux neuronaux Tesla
• ChatGPT par OpenAI

Vision par ordinateur

• Introduction à la vision par ordinateur
• Représentation et traitement des images : notions de base
• Techniques classiques de vision par ordinateur
• Processus d'un modèle de vision par ordinateur
• Deep Learning dans la vision par ordinateur
• Sujets avancés et tendances actuelles
• Outils et frameworks pour la vision par ordinateur
• Défis et considérations éthiques

Robotique

• Introduction à la robotique
• Composants clés des robots
• Cinématique et mouvement
• Perception robotique et IA
• Système d'exploitation robotique (ROS) et outils
• Applications robotiques
• Cas d'utilisation : Zebra Medical Vision et Tesla Optimus
• Défis, éthique et perspectives d'avenir

Sécurité de l'IA

• Attaque par injection de prompts
• Divulgation d'informations sensibles
• Vulnérabilité de la chaîne d'approvisionnement
• Empoisonnement des données et des modèles
• Traitement inapproprié des résultats
• Agence excessive
• Fuite des prompts système
• Faiblesses des vecteurs et du gaufrage
• Désinformation
• Consommation énergétique
• Deepfake

Exemple de travaux pratiques (à titre indicatif)

• Etude de cas : la supercherie du deepfake

Ethique de l'IA

• Conception éthique de l'IA
• Biais et équité dans l'IA
• Responsabilité, transparence et interprétabilité des modèles d'IA

Gouvernance et stratégie en matière d'IA

• Gouvernance et stratégie en matière d'IA
• Mise en oeuvre stratégique de l'IA
• Gestion et mise en oeuvre de projets d'IA

Jour 5

Préparation à l'examen de certification

• Séances de questions-réponses
• Exemples de sujets

Passage de la certification

• Il faut justifier de deux ans d'expérience professionnelle dont une année en Intelligence Artificielle pour passer cette certification
• Le prix et le passage de l'examen sont inclus dans la formation
• L'examen a lieu le dernier jour de la formation et s'effectue en ligne, pour une durée moyenne de 3h
• Il s'agit d'un examen de 80 questions à livre ouvert (70% de bonnes réponses sont nécessaires pour l'obtention de la certification)