Artificial Intelligence Expert : maitrise des techniques avancées (CAIE-AI3050)

Module 1 : maîtriser les bases de l'intelligence artificielle

• Le concept d'intelligence, de l'humain à la machine.
• L'histoire et l'évolution de l'intelligence artificielle.
• Les raisons de l'essor actuel de l'IA.
• Les différents domaines d'application de l'IA.
• La distinction entre IA, science des données et apprentissage automatique.

Module 2 : maîtriser les bases du machine learning et du deep learning

• Les différences fondamentales entre machine learning et deep learning.
• L'architecture et le fonctionnement des réseaux de neurones profonds.
• L'apprentissage des caractéristiques dans les réseaux profonds.
• Les applications concrètes des réseaux de deep learning.

Module 3 : s'initier et maîtriser TensorFlow

• Présentation générale de l'outil open source TensorFlow.
• La structure et les modules de TensorFlow.
• Les tenseurs, opérations, graphes, variables et fonctions.
• La construction et l'entraînement de modèles simples.
• L'exécution dynamique (Eager Execution) et la compilation (XLA).

Travaux pratiques

• Modélisation d'un modèle de machine learning avec TensorFlow en utilisant l'API Keras.

Module 4 : étudier les réseaux de neurones artificiels (ANN)

• La structure et l'organisation des réseaux de neurones.
• Les concepts fondamentaux : initialisation des poids, optimisateurs, activation, MSE et RMSE.
• L'algorithme de propagation avant (Feed Forward).
• La rétropropagation du gradient (Backpropagation) pour l'apprentissage.

Module 5 : explorer la vision par ordinateur

• Introduction à la vision par ordinateur et ses applications.
• Les bases du traitement d'images et leurs techniques.
• Les réseaux de neurones convolutifs (CNN) : architecture et fonctionnement.
• La détection d'objets : concepts, méthodes et métriques.
• Les modèles avancés de détection d'objets : R-CNN, Fast R-CNN, Faster R-CNN, SSD et YOLO.
• L'implémentation avec OpenCV pour des applications pratiques.
• L'apprentissage par transfert dans les CNN.

Étude de cas

• Analyse d'une détection d'anomalies sur des radiographies médicales.

Travaux pratiques

• Classification d'images avec un réseau CNN (exemple : chat vs chien).

Module 6 : maîtriser le traitement automatique du langage naturel (NLP)

• Introduction au NLP et à ses enjeux.
• Les concepts fondamentaux du NLP : tokenisation, lemmatisation et analyse syntaxique.
• Les modèles Bag of Words (BoW) et les word embeddings.
• L'utilisation de Transformers et BERT pour le traitement du langage naturel.
• L'utilisation des modèles GPT pour la génération de texte.
• L'état de l'art et les projets avancés en NLP.

Travaux pratiques

• Application de l'algorithme BERT pour le traitement de texte.

Module 7 : découvrir l'apprentissage par renforcement (Reinforcement Learning)

• Le processus de décision de Markov (MDP) pour le RL.
• Les équations fondamentales en RL : équations de Bellman et concepts clés.
• Les différentes approches entre un RL basé sur un modèle et un RL sans modèle.
• La programmation dynamique et les méthodes sans modèle (Model-Free RL).

Module 8 : approfondir l'apprentissage par renforcement profond (Deep RL)

• Les architectures du Deep Q-Learning.
• Le Deep Q-Learning et les algorithmes avancés.
• Les projets en apprentissage par renforcement avec Gymnasium.

Module 9 : maîtriser l'ingénierie des prompts et l'interaction avec les LLM

• L'importance et les enjeux de l'ingénierie des prompts.
• Les principes de conception de prompts efficaces.
• Les techniques d'optimisation des prompts : zero-shot, few-shot et chain-of-thought.
• La mise en œuvre des prompts en NLP.

Module 10 : étudier les autoencodeurs et les modèles génératifs

• Le fonctionnement des autoencodeurs : Vanilla, Denoising, Variationnel, Sparse et Convolutif.
• L'entraînement et l'optimisation des autoencodeurs.
• Les applications : réduction de dimensionnalité, détection d'anomalies et restauration d'images.
• Les concepts fondamentaux et l'application des GAN (Generative Adversarial Networks).
• La création d'un chatbot questions/réponses avec Hugging Face.

Module 11 : maîtriser les modèles de diffusion et la génération d'images

• Le fonctionnement des modèles de diffusion : DDPM, Latent Diffusion Models et Score-Based Generative Models.
• L'entraînement et l'optimisation des modèles de diffusion.
• Les applications : génération d'images ultra-réalistes, super-résolution, vidéos et biologie moléculaire.

Module 12 : exploiter LangChain et les grands modèles de langage (LLM)

• Introduction à LangChain et son écosystème : composants clés et LangChain Expression Language.
• Les techniques d'ingestion, de découpage de texte et les embeddings.
• Les bases de données vectorielles et leur rôle dans le RAG.
• La création d'un chatbot basé sur le RAG (Retrieval-Augmented Generation).

Module 13 : intégrer les enjeux éthiques de l'IA

• Les problématiques générales liées à l'IA.
• Les préoccupations éthiques spécifiques : biais, discrimination et transparence.
• L'importance de l'éthique, de la réduction des biais et de la confiance dans les systèmes IA.

Module 14 : préparer l'examen CAIE-AI3050

• Révision des points clés du cours.
• Simulation d'examen avec correction et explication des réponses.
• Conseils et stratégies pour réussir l'examen : gestion du temps, lecture des questions et gestion du stress.