Programme détaillé de la formation
Python et Intelligence Artificielle (Machine & Deep Learning, Data science, IA Générative)
DESCRIPTION
Que vous soyez novice en Python & IA, ou Dirigeant, Chef de Projet, Consultant, analyste ou développeur désireux de découvrir le fonctionnement du Machine Learning, Deep Learning & IA générative, cette formation est faite pour vous. Elle permet d'acquérir les bases de l’IA et apprendre à développer en Python des modèles de prédiction réels, en mettant en application les différents algorithmes de l'IA. Basée sur de nombreux exercices pratiques, cette formation vous permet d’acquérir un bagage technique permettant de faire évoluer les connaissances en vue d’être opérationnel sur les concepts abordés et pratiqués.
DURÉE MOYENNE
5.00 jours (35.00 heures)
PUBLIC CONCERNÉ
-
Toute personne souhaitant construire une carrière en tant que développeur en langage Python appliqué à l’Intelligence Artificielle, comprendre le fonctionnement du Machine Learning, Deep Learning & IA générative, et apprendre à réaliser des modèles de prédiction
-
Toute personne ayant un objectif de reconversion à Python appliqué à l’IA et souhaitant acquérir les repères nécessaires pour apprendre le fonctionnement à travers des cas pratiques
-
Manager désirant comprendre les spécificités du Machine Learning, Deep Learning & IA générative
-
Data analyst / Développeur spécialisé dans d'autres langages, désirant découvrir python appliqué à la Data Science et l'IA
CERTIFICATION
-
La formation prépare au passage de la certification Tosa (RS6202)
-
Taux d'obtention : voir indicateurs ici
PRÉ-REQUIS
-
Formation ouverte à tout niveau dans un public IT
-
Ordinateur portable équipé de Windows, MacOS ou Linux pour les formations en présentiel dans nos locaux
LIEU
-
Formation à distance : La session se fait via un outil de visioconférence. Voir le guide complet ici
-
Formation en présentiel : Emplacement et délai d’accès sur demande
OBJECTIFS PÉDAGOGIQUES
-
Maîtriser les bases et les bibliothèques de Python, et leur application à l’intelligence artificielle
-
Apprendre à Optimiser le code & automatiser des tâches
-
Apprendre à développer en Python des modèles de Machine Learning (prédiction, classification, réseaux de neurones)
-
Apprendre à manipuler en python les outils de Data Sciences pour analyser, traiter et visualiser des données
-
Apprendre à manipuler en python les bases de données SQL, les fichiers CSV, Excel
-
Comprendre les bases et le fonctionnement des algorithmes du Machine Learning
-
Comprendre les objectifs et les domaines d'application
-
Apprendre à mettre en applications les algorithmes d'apprentissage automatique
-
Comprendre le Deep Learning et les différents réseaux de neurones
-
Comprendre l'IA générative et apprendre à créer des agents conversationnels en python basés sur ChatGPT et autres LLMs
-
Comprendre la détection d'anomalies et apprendre à créer des modèles de détection d'anomalies
-
Maîtriser les outils (Tensorflow, Keras, ...) pour faire du Deep Learning avec Python
-
Apprendre à mener à bien un projet de conception et mise en place d'algorithmes de Deep Learning avec Python
-
Apprendre les bonnes pratiques pour gérer un projet d'Intelligence artificielle
-
Apprendre à déployer un modèle de Machine Learning sur un serveur distant (cloud)
-
Apprendre à Développer en POO (Programmation orienté objet)
PROGRAMME DÉTAILLÉ
- Introduction au langage python
-
Structures de données et opérations courantes (conditionnelles, boucles, fonctions, ...)
-
Modules et packages
-
Manipulations des fichiers csv, xlsx ...
-
Built-in fonctions
-
Analyse des données avec les librairies Numpy & Pandas
-
Visualisation graphique des données avec la librairie Matplotlib
-
Manipulation des Bases de données SQL avec Python (SQLite, PostgreSQL)
-
Programmation orientée objet
-
Gestion des Exceptions
-
Exercices & Quiz
- Introduction à l’intelligence artificielle (Machine Learning et Deep Learning)
-
A quel problème répond le Machine Learning ?
-
Algorithmes d’apprentissage par familles :
-
Apprentissage supervisé
-
Apprentissage non supervisé
-
Apprentissage par renforcement
-
-
Fonctions des algorithmes (Classification, Régression, Clustering, …)
-
Domaines d’application (Diagnostic médical, Recherche scientifique, Analyse d’images, Marketing ciblé, …)
- Data Preprocessing
-
Méthodes de préparation des données avant leur utilisation dans le Machine Learning
-
Manipulation des outils pour :
-
Gestion des données manquantes
-
Gestion des données aberrantes
-
Encodage des données
-
Selection des variables utiles
-
Normalisation des données
-
- Algorithmes de l’apprentissage supervisé
– Régression
-
Domaines d’application
-
Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage automatique)
-
Détailler comment fonctionne l’apprentissage automatique d’une machine
-
Détailler l’algorithme du « Gradient Descent » et son rôle dans l’optimisation des modèles de l’IA
-
Rappel sur la gestion des données avec les librairies Numpy et Pandas
-
Rappel sur la visualisation des données avec la librairie Matpotlib
-
Pratique :
-
Installation des Framework Spyder & Jupiter
-
Développer en Python un modèle de prédiction (Régression linéaire)
-
Evaluer et améliorer les performances du modèle réalisé
-
Ecrire le modèle de prédiction avec la librairie Sklearn
-
Exercices & Quiz
– Classification par l’algorithme KNN (K-Nearest Neighbour)
-
Domaines d’application
-
Détailler le fonctionnement de l’algorithme KNN
-
Pratique :
-
Développer un programme de vision par ordinateur avec l’algorithme KNN :
-
Reconnaître une donnée (objet/image) et la classer dans une classe parmi n classes
-
Appliquer la méthode de Diagnostic d’un modèle de Machine Learning (Train Set / Test Set)
-
Matrice de confusion
-
Exercices & Quiz
- Algorithmes de l’apprentissage non supervisé
– Regrouppement par l’algorithme K-Means (Clustering)
-
Domaines d’application
-
Détailler le fonctionnement de l’algorithme K-Means
-
Pratique :
-
Développer un modèle de clustering avec l’algorithme K-Means :
-
Reconnaître les structures des données (objets/images) et les regrouper dans une classe parmi n classes
-
Exercices & Quiz
– Détection d'anomalies par l’algorithme LOF (Local Outlier Factor)
-
Domaines d’application
-
Détailler le fonctionnement de l’algorithme LOF
-
Pratique :
-
Développer un modèle de détection d'anomalies avec l’algorithme LOF
-
Exercices & Quiz
- Réseaux de neurones
-
Fonctionnement et Entraînement des réseaux de neurones :
- Multi-couches (MLP)
- A convolution (CNN)
- Récurrents (RNN) -
Domaines d’application
-
Fonctions d'activation et Analyse de ce qui se passe dans un neurone
-
Pratique : Développer des modèles de réseau de neurones :
- Classification n-aire avec Sklearn
- Reconnaissance et classification d'images
- Time Series Forcasting (Prévision de séries) avec LSTM
-
Exercices & Quiz
– Deep Learning avec Tensorflow
-
Avantages et cas d’utilisation
-
Les environnements et leurs API Python (TensorFlow, Keras)
-
Pratique : Développer des modèles de réseau de neurones avec Tensorflow
Vision par ordinateur, Traitement de bases d'images
-
Exercices & Quiz
- Gestion de projet de Machine Learning
-
Bonnes pratiques
-
Comment bien préparer les données avant la phase d’apprentissage
-
Diagnostiquer et améliorer les performances d’un modèle (Overfitting, Cross Validation, Learning_curve)
-
Cycle de développement d’un modèle
-
Exercices & Quiz
- Déploiement d'un modèle de Machine Learning sur un serveur distant (cloud)
-
Entrainement du modèle sur une plateforme distante
-
Exploitation du modèle en ligne
-
Exercices & Quiz
- IA générative
-
Comprendre le fonctionnement l'IA générative
-
IA prédictive vs IA Générative
-
Comprendre les LLM (Large Language Model) & Transformers
-
Comprendre les agents conversationnels
-
Pratique : Création d'agents conversationnels en python basés sur le LLM GPT, BERT, PandasAI, ...
-
Exercices & Quiz
ORGANISATION DE LA FORMATION
Equipe pédagogique
ALIASE est un organisme de formation spécialisé en langage de programmation Python appliqué à la Data Sciences et l'Intelligence artificielle.
Les rythmes sont adaptés en fonction des niveaux des participants afin de leur permettre de s'initier, ou de faire évoluer leurs compétences, à travers des stages pratiques leur permettant de devenir rapidement opérationnel sur le langage Python, l’analyse des données, le développement web et les concepts de l’IA (Machine Learning, Deep Learning & IA générative).
Moyens pédagogiques et techniques
-
Formation à distance : La session se fait via un outil de visioconférence.
ALIASE accompagne le participant à installer et faire fonctionner l’outil de visioconférence.
-
Formation en présentiel : Accueil des stagiaires dans une salle dédiée à la formation.
-
Documents supports de formation projetés (PowerPoint)
-
Méthode pédagogique axée sur l'acquisition des bases, et renforcée par des travaux pratiques concrets
- Exposés théoriques : 20 %
- Etude de cas concrets & Exercices : 80 %
-
Mise à disposition en ligne de documents supports à la suite de la formation
-
Outils : Anaconda, Spyder, Tensorflow, sublimetext pour illustrer l’utilisation de Python pour le Machine Learning & Deep Learning
Dispositif de suivi de l'exécution et d'évaluation des résultats de la formation
-
Feuilles de présence
-
Quizz
-
Exercices Pratiques
-
La certification Tosa (RS6202) est passée à la suite du stage
-
Formulaires d'évaluation de la formation
DÉLAI D'ACCÈS : 11 jours ouvrés, soit 14 jours calendaires
ACCESSIBILITÉ AUX PERSONNES HANDICAPÉES :
Les personnes atteintes de handicap souhaitant suivre cette formation sont invitées à nous contacter directement (contact@aliase-formation.com), afin d'étudier ensemble les possibilités de suivre la formation, et d'analyser avec vous la meilleure formule adaptée à votre situation, et aussi à vos besoins en formation en fonction de votre projet professionnel.
PLUS D’INFORMATIONS :
https://www.aliase-formation.com
mise à jour: 24/08/2024