Aperçu de la Formation

• Public cible : Particuliers avec des compétences de base en Python, intéressés par l'IA.
• Format : En ligne, à rythme libre, avec des vidéos préenregistrées, des exercices et des quiz.
• Durée : 8 modules, environ 20-30 heures au total.
• Prix : 199 $, avec des réductions disponibles.
• Plateforme : Teachable ou un système de gestion d'apprentissage similaire.

Objectifs d'Apprentissage

À la fin de la formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de l'IA et de l'apprentissage automatique.
• Appliquer des algorithmes d'apprentissage automatique à des problèmes réels.
• Construire et entraîner des modèles d'apprentissage profond.
• Mettre en œuvre des techniques de base en traitement du langage naturel (NLP) et en vision par ordinateur.
• Identifier et traiter les considérations éthiques en IA.

Modules de la Formation

Module 1 : Introduction à l'IA et Rappel de Python

• Contenu :
  • Définition de l'IA et ses sous-domaines.
  • Brève histoire de l'IA (jalons clés).
  • Applications de l'IA dans divers secteurs (santé, finance, transport).
  • Rappel de Python : syntaxe de base, types de données, NumPy, Pandas.
• Exercice : Brainstorming sur des applications possibles de l'IA dans votre domaine.

Module 2 : Bases de l'Apprentissage Automatique

• Contenu :
  • Types d'apprentissage : supervisé, non supervisé, par renforcement.
  • Concepts clés : caractéristiques, étiquettes, données d'entraînement/test, surapprentissage.
  • Métriques d'évaluation : précision, rappel, F1-score.
• Exercice : Entraîner un modèle simple (régression linéaire) sur un jeu de données fourni.

Module 3 : Prétraitement des Données

• Contenu :
  • Gestion des données manquantes.
  • Encodage des variables catégoriques.
  • Mise à l'échelle des caractéristiques et normalisation.
  • Division des données en ensembles d'entraînement et de test.
• Exercice : Nettoyer et préparer un jeu de données (ex. de Kaggle).

Module 4 : Algorithmes Populaires d'Apprentissage Automatique

• Contenu :
  • Régression linéaire et logistique.
  • Arbres de décision et forêts aléatoires.
  • Machines à vecteurs de support (SVM).
• Exercice : Appliquer ces algorithmes à des tâches de régression et de classification, comparer leurs performances.

Module 5 : Fondamentaux de l'Apprentissage Profond

• Contenu :
  • Réseaux de neurones : perceptrons, fonctions d'activation, rétropropagation.
  • Réseaux convolutionnels (CNN) pour les images.
  • Réseaux récurrents (RNN) pour les données séquentielles.
• Exercice : Construire un réseau de neurones simple pour classer des chiffres manuscrits (jeu de données MNIST) avec TensorFlow/PyTorch.

Module 6 : Traitement du Langage Naturel (NLP)

• Contenu :
  • Prétraitement de texte : tokenisation, suppression des mots vides, lemmatisation.
  • Bag-of-words et TF-IDF.
  • Analyse de sentiments.
  • Modèles de langage et embeddings.
• Exercice : Créer un modèle d'analyse de sentiments avec un jeu de données comme IMDB Reviews.

Module 7 : Vision par Ordinateur

• Contenu :
  • Classification d'images.
  • Détection d'objets.
  • Segmentation d'images.
• Exercice : Utiliser des modèles pré-entraînés (ex. ResNet, YOLO) pour classer ou détecter des objets dans des images.

Module 8 : Éthique en IA

• Contenu :
  • Biais et équité dans les modèles d'apprentissage automatique.
  • Transparence et explicabilité.
  • Protection des données et vie privée.
  • Responsabilité et gouvernance.
• Exercice : Analyser des études de cas (ex. algorithmes de recrutement biaisés) et discuter des dilemmes éthiques.

Structure des Modules

• Vidéo : 20-30 minutes par module.
• Supports : Diapositives/notes, exemples de code.
• Exercice pratique : Projet ou tâche appliquée.
• Quiz : Évaluation des connaissances.