Artificial Intelligence Foundation : comprendre les bases de l'IA (AIF–AI3010)

Module 1 : introduire l'intelligence artificielle

• L'évolution de l'IA : symbolique, machine learning, deep learning, IA générative.
• Les domaines clés de l'IA moderne : perception (vision), langage (NLP, LLM), raisonnement et systèmes de décision, systèmes autonomes, intelligence générative.
• Les moteurs de la révolution actuelle de l'IA : puissance de calcul, données, architectures Transformer.
• Les limites de l'IA moderne : biais, hallucinations, défis d'explicabilité.
• Les applications de l'IA dans différents secteurs : santé, banque-assurance, industrie.

Module 2 : découvrir les fondamentaux du machine learning

• Les bases du machine learning et du flux de travail projet (approche CRISP-ML(Q)).
• L'apprentissage supervisé, non supervisé et par renforcement.
• Les fonctions objectif modernes et la régularisation.
• Les métriques d'évaluation des modèles : RMSE, R², précision, rappel, F1, ROC-AUC, PR-AUC, entropie croisée.
• La base des réseaux de neurones : du perceptron au MLP jusqu'aux Transformers.
• Le machine learning face au deep learning et à l'IA générative : quand utiliser quelle approche.

Travaux pratiques

• Entraîner et évaluer un modèle de régression et de classification sur un jeu de données réel.

Module 3 : utiliser Python et les outils modernes de l'IA

• Les bases de Python pour l'IA.
• Les bibliothèques essentielles : NumPy, Pandas, Matplotlib.
• La manipulation de jeux de données.
• Les fonctions, les bases de la programmation orientée objet, les décorateurs et les gestionnaires de contexte.
• La gestion des packages : pip, environnements virtuels, dépendances.
• La gestion des erreurs et le débogage.
• La manipulation de données : CSV, JSON, API.
• Les outils de développement en IA : Jupyter Notebook, Google Colab.

Module 4 : explorer les fondations du deep learning et de l'IA générative

• Les fondamentaux du deep learning et l'architecture des réseaux de neurones.
• Les fonctions d'activation : ReLU, GELU, Softmax.
• Les fonctions de perte : entropie croisée, MSE, perte contrastive.
• La base d'une architecture Transformer.
• Un aperçu des frameworks modernes d'IA : PyTorch, TensorFlow.
• Le flux de travail pratique du deep learning : données, modèle, entraînement, évaluation.
• La base de l'IA générative et des grands modèles de langage (ChatGPT, LLaMA, Gemini) ainsi q'u aux modèles de génération d'images (modèles de diffusion, GAN).
• La sécurité et les limites de l'IA générative.

Module 5 : appliquer les mathématiques pour le machine learning et l'IA

• L'algèbre linéaire pour l'IA : vecteurs, matrices, produits scalaires, multiplications matricielles dans les réseaux de neurones.
• Les fondamentaux du calcul différentiel : dérivées, gradients, intuition de la rétropropagation.
• Les probabilités et statistiques : règles de probabilité, distributions utilisées en machine learning, règle de Bayes.
• Les fonctions mathématiques essentielles : fonctions d'activation, fonctions de perte, softmax et normalisation.

Module 6 : construire des applications d'IA responsables

• La construction d'applications d'IA de bout en bout.
• Les études de cas en NLP, vision par ordinateur et analyse prédictive.
• Le réglage et l'évaluation des modèles.
• Les biais, l'équité et l'éthique en IA.
• L'IA explicable (XAI).
• La confidentialité des données dans les systèmes d'IA.
• L'utilisation responsable des LLM.
• La gouvernance et la conformité en IA : EU AI Act, normes ISO.

Module 7 : préparer l'examen AIF-AI3010

• 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.