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

Certification : Programmer et automatiser des tâches avec python (tosa)

Proposée par ALIASE — 92700 Colombes

Formation Professionnelle Apprentissage
Présentiel
Apprentissage envisageable

Type

Catégorie de la certification

Certification inscrite au Répertoire Spécifique (RS)

Niveau de sortie

Niveau reconnu si applicable

N/C

Prix

Indiqué par l'établissement

4 625 €

Présentation

  • . 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

Formation dispensée en Présentiel à l'adresse suivante :

Localisation & Rattachements

Adresse
13 Boulevard Edgar Quinet 92700 Colombes
Académie
Versailles
Département
Hauts-de-Seine
Région
Île-de-France

La carte est indicative. Vérifiez l’accès avant votre déplacement.

Objectifs


Cette formation est destinée aux personnes souhaitant maîtriser le langage python et son application à l'intelligence artificielle, Machine Learning, Deep Learning, IA générative, NLP (Traitement du langage naturel) .... Elle est également destinée aux Managers souhaitant comprendre les spécificités de l'IA, ainsi qu'aux personnes possédant une compétence métier mais désireuses d'ajouter une compétence supplémentaire afin de dégager des grosses synergies.

Objectifs Pédagogiques
  • . 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
----------------------------------------------------------------------------------------------------------------------------
Vous souhaitez obtenir des informations, un conseil ?
 . Appelez-nous au : 06 20 22 16 77
. Email : contact@aliase-formation.com
. Nos équipes vous accompagnent dans la création de votre dossier de formation
. Parcours, contenu et rythme de formation personnalisés après un entretien
. Plusieurs formules et contenus disponibles : https://www.aliase-formation.com/formules

Débouchés / Résultats attendus


Préparation à la certification.
Acquérir les compétences suivantes :
  • Maîtriser le langage Python et son application à l'Intelligence artificielle
  • Apprendre à développer en Python des modèles de Machine Learning (prédiction, classification, réseaux de neurones)
  • Apprendre à créer des agents conversationnels (chatbots) en python basés sur GPT, Mistral, et autres LLMs
  • Apprendre à manipuler en python les outils de Data Sciences pour analyser, traiter et visualiser des données
  • Apprendre à manipuler en python les bases de données SQL, les fichiers CSV, Excel
  • Comprendre les bases et le fonctionnement des algorithmes du Machine Learning
  • Comprendre les objectifs et les domaines d'application
  • Apprendre à mettre en applications les algorithmes d'apprentissage automatique
  • Comprendre le Deep Learning et les différents réseaux de neurones
  • Maîtriser les outils (Tensorflow, Keras, ...) pour faire du Deep Learning avec Python
  • Apprendre à mener à bien un projet de conception et mise en place d'algorithmes de Deep Learning avec Python
  • Apprendre les bonnes pratiques pour gérer un projet d'Intelligence artificielle
  • Apprendre à déployer un modèle de Machine Learning sur un serveur distant (cloud), et conteneurisation avec Docker
  • Apprendre à Développer en POO (Programmation orienté objet)

Programme & Référentiel


CONTENU DE LA FORMATION


Introduction au langage python
  • 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

Introduction à l'IA (Machine Learning et Deep Learning)
  • 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

Algorithmes de l'apprentissage supervisé
- Régression
  • 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
- Classification
  • Fonctionnement du modèle KNN, et autres modèles
  • Pratique : développer des modèles de vision par ordinateur
  • Evaluation des modèles, Matrice de confusion
  • Exercices

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

Réseaux de neurones et Deep Learning
  • 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

    Gestion de projet d'IA
    • Cycle de développement & Bonnes pratiques
    • Performances d'un modèle (Overfitting, Régularisation, Cross Validation, ...)

    Déploiement
  • Déployer des modèles avec APIs Flask et Docker

IA générative
  • 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

Détection d'anomalies
  • modèles LOF, IF et autoencoder