Introduction à l'Intelligence Artificielle

Objectifs de la formation

• Comprendre les fondements du Machine Learning et ses applications réelles
• Identifier les différents types d'apprentissage et les familles d'algorithmes
• Analyser les implications éthiques et sociales de l'IA, notamment les biais algorithmiques et la protection des données
• Acquérir les compétences pratiques pour développer et entraîner des modèles de Machine Learning
• Maîtriser les techniques d'évaluation des performances des modèles
• Explorer les tendances actuelles et futures en IA et discuter des applications potentielles dans divers domaines

Public visé

• Profils non techniques : Chefs de projet, Directeurs, Managers, Profils métiers (ex: RH, Santé, Banque, etc.)
• Profils techniques : Data Analyst, BI Engineer, MLOps, DevOps, Data Enginneer, Software Enginneer, etc.

Pré-requis

• Motivation à explorer et à comprendre en quoi l'IA est devenu un game changer aujourd'hui
• Familiarité avec un langage de programmation est un plus (non obligatoire pour bien suivre la formation)

Programme détaillé

Fondements du Machine Learning


• Qu'est-ce que l'Intelligence Artificielle ?
• Utilisation de l'IA dans des applications du monde réel : recommandation de produits, détection de fraudes, traitement du langage naturel, etc.
• Différences entre Machine Learning et Deep Learning
• Principes de base de la modélisation prédictive

Les grandes familles d'algorithmes


• Types d'apprentissage : supervisé, non supervisé, et apprentissage par renforcement
• Computer Vision
• Traitement du Langage Naturel (NLP)
• Systèmes de Recommandation
• L'IA générative
• Intelligence Artificielle Générale (AGI)

Business autour de l'IA


• Création de valeur avec l'IA
• Impact de l'IA sur les modèles commerciaux existants
• Stratégies de déploiement de l'IA dans les entreprises
• Formation et recrutement de talents en IA
• Gestion d'un projet d'IA
• Intégration de l'IA dans les produits et services

Éthique et implications sociales de l'IA


• Biais algorithmiques
• Protection des données et confidentialité
• Enjeux ethiques et sociétaux
• Responsabilité et transparence dans l'IA

En pratique


• Cycle de vie d'un projet de Machine Learning
• Processus de développement de modèles de Machine Learning
• L'importance de bien connaître ses données avec les statistiques descriptives
• Savoir manipuler ses données et construire les variables utiles pour que le modèle puisse apprendre sur les données ("Feature Engineering")
• TP : préparation et visualisation de données avec Pandas

Comprendre comment marche l'entraînement d'un modèle de Machine Learning


• Stratégies de séparation de données pour l'entraînement
• Évaluation des performances des modèles
• Gestion de l'apprentissage
• L'optimisation des hyperparamètres du modèle
• L'automatisation de l'entraînement avec l'AutoML
• Comment utiliser le modèle entraîné pour prédire sur de nouvelles données
• TP : entraînement et prédiction d'un modèle simple de Machine Learning avec PyCaret

Conclusion et ouverture


• Récapitulatif de la formation et de toutes les bonnes pratiques
• Les tendances actuelles et les futurs développements en l'IA (Deep Learning / LLM)
• Discussion sur les applications potentielles dans votre domaine
• Réponses aux questions et ressources supplémentaires