Développeur IA : de Zéro à Héro en Machine Learning et Deep Learning

Partie I : Fondamentaux du Machine Learning et Deep Learning

Module 1 : comprendre les fondements théoriques du Machine Learning

• Les concepts clés et l'histoire de l'Intelligence Artificielle et du Machine Learning.
• Les différents types d'apprentissage automatique et leurs défis.
• Les bases mathématiques (probabilités, statistiques, algèbre linéaire) indispensables au ML.
• Le cycle de vie complet d'un projet de Machine Learning.

Module 2 : saisir les fondations théoriques du Deep Learning

• Les concepts fondamentaux du Deep Learning et des réseaux de neurones (NN).
• Les architectures de réseaux de neurones courantes : Multi-Layer Perceptron (MLP), Convolutional Neural Networks (CNN) pour la vision par ordinateur, et Recurrent Neural Networks (RNN) pour le traitement des séquences et du texte.
• Les algorithmes clés du DL, y compris la descente de gradient.
• Les défis et limitations liés au Deep Learning.

Partie II : Construction des solutions d'IA

Module 3 : configurer l'environnement de développement IA

• L'écosystème Python pour le Machine Learning et le Deep Learning, incluant SciPy, NumPy, Matplotlib.
• La mise en place d'environnements de développement Python (Virtualenv, Conda, Poetry, Jupyter Notebook, Docker).
• L'importance et l'accès aux GPUs pour le Deep Learning, y compris les offres gratuites comme Google Colaboratory et Kaggle.
• Les bases du framework TensorFlow Keras et l'implémentation d'un premier réseau de neurones.
• Les techniques de débogage d'un réseau de neurones.

Travaux pratiques :

• Installer et configurer l'écosystème Python.
• Entraîner un classificateur MNIST sur Colab et Kaggle.
• Déboguer un réseau de neurones simple.

Module 4 : appliquer le Machine Learning superficiel avec Scikit-Learn

• Le chargement et la compréhension des données pour le Machine Learning.
• La préparation des données (rescaling, standardisation, normalisation, feature engineering).
• L'évaluation des algorithmes ML et la sélection d'une ligne de base.
• L'utilisation des Pipelines Scikit-Learn pour structurer les projets.
• L'amélioration des performances des modèles, y compris les méthodes de tuning (Grid Search, Random Search).
• La finalisation et la persistance des modèles sur disque.

Travaux pratiques :

• Mener un projet complet de Machine Learning de bout en bout.

Module 5 : développer le Deep Learning avec Scikit-Learn et Keras

• L'intégration des frameworks Scikit-Learn et Keras pour le Deep Learning.
• La préparation des données spécifiquement pour les MLP.
• La définition et la compilation des architectures MLP (couches d'entrée/sortie, couches cachées, fonctions d'activation, fonctions de perte, optimiseurs).
• L'entraînement et l'évaluation des MLP, y compris l'utilisation de la validation automatique ou manuelle et de la validation croisée k-fold de Scikit-Learn.
• Les techniques d'optimisation des performances des MLP.

Travaux pratiques :

• Mener un projet complet de Deep Learning de bout en bout avec MLP.

Module 6 : utiliser Keras comme un professionnel

• Le concept de "model checkpointing" et ses stratégies pour la reprise sur panne de l'entraînement.
• La surveillance de l'entraînement des modèles via l'historique et la visualisation des courbes d'apprentissage (Accuracy & Loss).
• Les techniques de régularisation pour lutter contre le surapprentissage (overfitting) : Early stopping et Dropout.

Travaux pratiques :

• Mener un projet complet intégrant les techniques avancées de Keras.

Partie III : Exécution et déploiement

Module 7 : packager et déployer un modèle en tant qu'API

• Les bases du framework FastAPI pour créer des applications web et des APIs.
• La sérialisation et désérialisation des modèles de Machine Learning.
• Le développement d'une application web minimale pour exposer un modèle ML.
• Le packaging de l'application avec Docker.
• Le déploiement local et sur des plateformes cloud gratuites (ex: Hugging Face Spaces).
• Les concepts fondamentaux du MLOps et les limites de l'approche simple de déploiement.

Travaux pratiques :

• Construire et déployer un classificateur web MNIST.

Partie IV : Au-delà de la technologie

Module 8 : appréhender l'IA pour le Business

• La définition de l'IA dans un contexte business et ses risques principaux (inexactitude, violation de propriété intellectuelle).
• Les différentes approches d'intégration de l'IA en entreprise (Takers, Shapers et Makers) et leurs coûts associés (TCO).
• La face cachée de l'IA générative et les litiges de propriété intellectuelle.
• L'histoire et les opportunités dans la Silicon Valley.

Échange interactif (bonus) :

• Questions-réponses avec un expert du secteur (CEO de Datogon), Alexandre Z. NICHE. Thèmes abordés : l’histoire de Datogon, entreprendre aux États-Unis, la vie en Silicon Valley, les salaires et les opportunités dans l'IA.