Python appliqué à l'ia ( intelligence artificielle , machine et deep learning, data science, ia générative, déploiement )

• . Organisme certifié Qualiopi
• . Formateur diplômé de l'enseignement supérieur
• . Contenu et rythme personnalisés
• . Dates et horaires flexibles
• . Formules disponibles: https://www.aliase-formation.com/formules

• . Maîtriser les bases de python et leur application à l'intelligence artificielle
• . Apprendre à manipuler les outils python pour analyser et visualiser les données
• . Apprendre à manipuler en python les fichiers Excel, CSV, base de données SQL
• . 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 de Machine Learning (Regression linéaire, classification, réseaux de neurones)
• . Comprendre les algorithmes d'apprentissage du Machine Learning
• . Comprendre les objectifs et les domaines d'application
• . Comprendre le Deep Learning et les différents réseaux de neurones
• . Apprendre à developper en python des algorithmes de Deep Learning
• . Comprendre l'IA générative et apprendre à créer des agents conversationnels (chatbots) en python basés sur GPT, Mistral, et autres LLMs
• . Apprendre à créer des agents conversationnels avec la librairie Langchain
• . Apprendre à créer des modèles de détection d'anomalies
• . Apprendre à gérer un projet d'IA (Bonnes Pratiques, Cycle de développement, outils, ...)
• . Apprendre à déployer un modèle de Machine Learning sur un serveur distant (cloud), et conteneurisation avec Docker
• . Apprendre à créer des APIs avec Flask et HTML en vue de déployer un modèle

CONTENU DE LA FORMATION

• Environnement de développement
• Types de données : variables, tableaux, listes, dictionnaires, tuples
• Opérations courantes : conditions, boucles, fonctions, ...
• Modules et packages
• Manipulations de fichiers
• Built-in fonctions
• Optimisation de code & automatisation des tâches
• Programmation POO orientée objet : méthodes, classes, héritage
• Analyse des données (librairies Numpy & Pandas)
• Visualisation graphique des données (librairie Matplotlib)
• Gestion des Exceptions

• Algorithmes d'apprentissage par familles (Regression, Classification, Clustering, ...)
• Domaines d'application
• Data Preprocessing
• Méthodes de préparation des données avant leur utilisation dans le Machine Learning

• Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage)
• Fonctionnement de l'apprentissage d'un modèle. Algorithme du « Gradient Descent »
• Pratique : développer des modèles de prédiction
• Evaluation des performances des modèles
• Exercices

• Fonctionnement du modèle KNN, et autres modèles
• Pratique : développer des modèles de vision par ordinateur
• Evaluation des modèles, Matrice de confusion
• Exercices

• Modèles K-Means et DBSCAN
• Pratique : développer des modèles de clustering. Regroupement, Segmentation, Détection d'anomalies/fraudes
• Exercices

• Fonctionnement et Entraînement des réseaux de neurones MLP, CNN, RNN
  • Les environnements TensorFlow, Keras
  • Pratique : créer des modèles de reconnaissance d'images, Time Series Forcasting, NLP (Natural Language Processing) avec LSTM
  • Fine-Tunning : Amélioration des performances d'un modèle
  • Exercices
  
  
  • Cycle de développement & Bonnes pratiques
  • Performances d'un modèle (Overfitting, Régularisation, Cross Validation, ...)
  
  
• Déployer des modèles avec APIs Flask et Docker

• Comprendre le fonctionnement
• Comprendre les LLM (Large Language Model) & Transformers
• Pratique : Création d'agents conversationnels (chatbots) basés sur GPT, Mistral et autres LLMs ...
• Librairie Langchain
• Génération d'images et de sons

• modèles LOF, IF et autoencoder