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, IA agentique, NLP (Traitement du langage naturel), Détection d'anomalies, Déploiement ..., cette formation est faite pour vous. Elle permet d'acquérir les bases de l’IA et apprendre à développer et déployer 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 rapidement opérationnel sur les concepts abordés et pratiqués.

​

La formation est présentée en 3 modules complémentaires (M1, M2, M3) et un module Premium (M1+M2+M3)

• M1 : opérationnel

• M2 : avancé      (pré-requis : M1)

• M3 : expert       (pré-requis : M2)

​​

plus des ateliers pratiques pour prolonger l’apprentissage en autonomie, en complément des sessions avec le formateur.

​

DURÉE MOYENNE

4.00 jours (28.00 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 (RS6962) 

• 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​

​

Module M1 : 30h​​

• Maîtriser les bases de python et leur application à l'IA

• Apprendre à manipuler les outils python pour analyser et visualiser les données

• Apprendre à manipuler en python les fichiers Excel, CSV, ...

• Apprendre à optimiser le code python et automatiser des tâches

• Apprendre à développer en python POO (Programmation orienté objet)

• Apprendre à développer en python des modèles IA (Regression, classification, réseaux de neurones)

• Comprendre les algorithmes d'apprentissage du Machine Learning

• Apprendre à développer en python des algorithmes de réseaux de neurones en Deep Learning

​

Module M2 : 28h

   • Comprendre l'IA générative et apprendre à créer en python des RAGs (agents conversationnels/chatbots)

     basés sur GPT, Mistral, et autres LLMs, via la librairie Langchain

   • Apprendre à gérer un projet d'IA (Bonnes Pratiques, Cycle de développement, outils d'optimisation, Modèles Hybrides...)

   • Apprendre à créer des APIs avec Flask, FastAPI et HTML en vue de déployer un modèle IA

   • Apprendre à déployer un modèle IA sur un serveur distant (cloud), et conteneurisation avec Docker

​

Module M3 : 26h

   • Apprendre à créer des modèles de détection d'anomalies

   • Apprendre à créer et manipuler des bases de données SQL avec python

 

​

PROGRAMME DÉTAILLÉ : (selon la formule; plus d'informations en bas de page)

​​

Module M1 :

 - 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

• 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

   – Clustering (Regroupement) par les algorithmes K-Means et DBSCAN

• Domaines d’application

• Détailler le fonctionnement des algorithmes

• Pratique :

• Développer des modèles de clustering avec la librairie Sklearn

• Reconnaître les structures des données (objets/images) et les regrouper dans des classes

• Détection d'anomalies/fraudes ...

• Exercices & Quiz​​

 

- Réseaux de neurones & Deep Learning avec Tensorflow

• 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

• Les environnements et leurs API Python (TensorFlow, Keras)

• Pratique : Développer des modèles de réseau de neurones :
     - Classification de données, Regression
     - Reconnaissance et classification d'images    

         - Fine-Tunning : Amélioration des performances d'un modèle 

         - Time Series Forcasting (Prévision de séries) avec LSTM

         - NLP (Natural Language Processing), Next Token Prédiction

• Exercices & Quiz

 

Module M2 :

- Gestion de projet de Machine Learning

• Bonnes pratiques

• Cycle de développement d’un modèle

• Evaluer et optimiser les performances d’un modèle (Overfitting, Cross Validation, Learning_curve)

• Modèles Hybrides

• Ensemble Modèles

• Exercices & Quiz​

​

- IA générative et IA agentique

• Comprendre le fonctionnement l'IA générative et de l'IA agentique

• IA prédictive vs IA Générative

• Comprendre les LLM (Large Language Model) & Transformers

• Pratique :

           - Création de RAGs (agents conversationnels, chatbots) en python basés sur les LLMs GPT, Mistral, et autres  ...

           - Création d'agents avec la librairie Langchain 

           - Génération d'images et de sons

• Exercices & Quiz​​

​

- Développement web avec les APIs Flask, FastAPI et Python

• HTML: les bases

• Créer du code HTML et des APIs avec Python et Flask et FastAPI

• Exploiter un modèle IA en ligne (via une API Flask/FastAPI et/ou une page web)

• Pratique:

• Créer son propre site web avec Python et Flask

• Créer et lancer des serveurs web avec Python

• Déployer une application Flask sur un serveur distant (cloud)

​

- Collecte de données / web scrapping avec Python

• Principe du web scrapping 

• Librairie Python BeautifulSoup

• Fonctions Python d'analyse des sources HTML, et de collecte de données

• Pratique: scrapping d'un site web 

​

- Déploiement des modèles de Machine Learning sur un serveur distant (cloud)

• Entrainement du modèle sur une plateforme distante, ou en local puis transfert

• Conteneurisation avec Docker (Création d'images Docker, et conteneurs, ...)

• Exploitation d'un modèle IA en ligne (via une API Flask/FastAPI et/ou une page web)

• Exercices & Quiz

​​

Module M3 :

- Détection d'anomalies par les algorithmes LOF (Local Outlier Factor), IF (Isolation Forest) et Autoencoder

• Domaines d’application

• Détailler le fonctionnement des algorithmes LOF, IF et Autoencoder

• Pratique :

• Développer des modèles de détection d'anomalies

• Exercices & Quiz

​

- Bases de données SQL (PostgreSQL et SQLite) avec Python

• Langage SQL

• Opérations courantes : Création de table de données, Lecture/Ecriture/Modification des données

• Intégrité des données, Atomicité des transactions

• Gestion des accès simultanés (multi-utilisateurs)

• Interface avec la librairie Pandas (Excel <--> Base de données)

• Exercices pratiques sur les bases de données PostgreSQL et SQLite

​

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 (RS6962) 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 (formules disponibles, contenus, ...) : 

https://www.aliase-formation.com/formules

​

mise à jour: 01/04/2026

​​