Python pour IA (Machine Learning, Deep Learning, IA générative)

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 un modèle de prédiction
• Evaluation des performances des modèles
• Exercices

Classification par l’algorithme KNN (K-Nearest Neighbors)

• Fonctionnement
• Pratique : développer un modèle de vision par ordinateur
• Evaluation des modèles, Matrice de confusion
• Exercices

Algorithmes de l’apprentissage non supervisé

• Fonctionnement du regroupement par l’algorithme K-Means
• Pratique : développer un modèle de clustering - Regrouper des données (objets/images) dans des classes
• Exercices

Réseaux de neurones

• Fonctionnement et Entraînement des réseaux de neurones MLP, CNN, RNN
• Pratique : créer des modèles de reconnaissance d’images, Time Series Forcasting, Next Token Prédiction avec LSTM
• Exercices

Deep Learning

• Les environnements TensorFlow, Keras
• Pratique : développer des modèles de RN avec Tensorflow (classification d’images)
• Exercices

Gestion de projet de Machine Learning

• Bonnes pratiques
• Performances d’un modèle (Overfitting, Features selection, Cross Validation)
• Cycle de développement
• Déploiement de modèle de Machine Learning

IA générative

• Comprendre le fonctionnement
• Comprendre les LLM (Large Language Model), Transformers & Agents conversationnels
• Pratique : Création d’agents conversationnels en python basés sur le LLM GPT, BERT, PandasAI, ...