Formation Professionnel certifié en Intelligence Artificielle (IA) - Avec certification

Programme de votre formation

1. #

   M2I START AVANT VOTRE FORMATION

   Contextualisation du projet de formation et prise en compte des besoins de chacun

   • Positionnement initial de l’apprenant par rapport aux objectifs
   • Définition des priorités et des objectifs personnels de l’apprenant
   • Vidéos de mise en situation
   • Accès au Chat interactif myM2i pour interagir avec les membres de son groupe
   
2. #

   M2I LIVE VOTRE FORMATION ANIMÉE PAR NOTRE EXPERT ^¹

   Programme

   Jour 1

   Objectifs et structure de la formation

   • Informations générales
   • Approche pédagogique
   • Objectifs pédagogiques
   • Examen et certification

   Concepts et principes fondamentaux de l'Intelligence Artificielle

   • Intelligence Artificielle (IA)
   • Histoire de l'IA
   • Machine Learning
   • Deep Learning
   • Réseaux neuronaux
   • Connaissances en IA
   • Informatique cognitive, sémantique et soft computing
   • Systèmes d'IA
   • Principes de l'IA

   Analyse et visualisation des données

   • Analyse des données
   • Virtualisation des données
   • Considérations éthiques dans l'analyse des données
   • Principes de conception, théorie des couleurs et perception visuelle
   • Outil populaire de visualisation des données

   Jour 2

   Fondements de la Data Science et du Machine Learning

   • Introduction à la Data Science
   • Qu'est-ce que le Machine Learning ?
   • Concepts clés : modèles, algorithmes et apprentissages
   • Différents types de données
   • Théorème "No-Free Lunch"

   Workflow du Machine Learning

   • Comprendre le workflow du Machine Learning
   • Définition du problème et définition des objectifs
   • Collecte de données
   • Analyse exploratoire des données (EDA)
   • Nettoyage et prétraitement des données
   • Ingénierie des caractéristiques
   • Modélisation et évaluation
   • Déploiement et surveillance
   • Types de systèmes ML

   Apprentissage supervisé

   • Introduction et aperçu de l'apprentissage supervisé
   • Régression linéaire
   • Régression logistique
   • K-Nearest Neighbors (KNN)
   • Evaluation des modèles d'apprentissage supervisé

   Apprentissage non supervisé

   • Exploration des algorithmes de regroupement
   • Apprentissage des règles d'association
   • Evaluation des résultats de regroupement

   ML avancé et applications plus larges

   • Introduction à l'apprentissage par renforcement et applications
   • Introduction aux réseaux neuronaux
   • Apprentissage auto-supervisé
   • Introduction à l'analyse des séries chronologiques
   • Systèmes de recommandation
   • Détection des anomalies

   Exemple de travaux pratiques (à titre indicatif)

   • Etudes de cas sur Machine Learning

   Jour 3

   Concepts fondamentaux du traitement automatique du langage naturel (NLP)

   • Pourquoi le NLP est-il important ?
   • Linguistique fondamentale pour le langage naturel
   • Prétraitement du texte
   • Tronçonnage et lemmatisation
   • Mots vides et filtrage de base
   • Méthodes basées sur des règles ou méthodes statistiques
   • Marquage POS
   • Notions de base sur la reconnaissance d'entités nommées (NER)

   Techniques de base et intermédiaires du NPL

   • Bag of Words (BoW) et TF-IDF
   • Word Embeddings
   • Document Embeddings
   • Classification de texte et analyse des sentiments
   • Biais et équité dans le NLP

   Traitement automatique du langage naturel : transformateurs et grands modèles linguistiques

   • Le transformateur et le mécanisme d'attention
   • Architectures encodeur, décodeur et encodeur/décodeur
   • Série GPT
   • Au-delà de GPT
   • Innovations dans les modèles spécialisés et de raisonnement
   • Ingénierie de prompt

   Applications NLP et orientations futures

   • Traduction automatique et NLP multilingue
   • IA conversationnelle et ChatGPT
   • Apprentissage par renforcement à partir des commentaires humains
   • Traitement du langage naturel multimodal
   • Génération de texte et cas d'utilisation créatifs
   • Gestion des hallucinations et des fausses informations

   Concepts fondamentaux du Deep Learning

   • Qu'est-ce que le Deep Learning ?
   • Neurones, couches et fonctions d'activation
   • Passage vers l'avant et rétropropagation
   • Régularisation
   • Initialisation et normalisation
   • Optimiseurs
   • Types de fonctions de perte
   • Surveillance des performances
   • Considérations relatives au GPU et au matériel

   Architectures de Deep Learning et techniques avancées

   • Réseaux à action directe
   • Perceptrons multicouches (MLP)
   • Notions de base sur les réseaux neuronaux convolutifs (CNN)
   • Architectures CNN courantes
   • Fondements des réseaux neuronaux récurrents
   • AutoML
   • Réglage des hyperparamètres

   Jour 4

   Modèles génératifs et architectures spécialisées

   • Que sont les modèles génératifs ?
   • Types de modèles génératifs
   • Applications des modèles génératifs
   • Comprendre les auto-encodeurs
   • Principes de base des réseaux antagonistes génératifs (GAN)
   • Comment les GAN apprennent-ils ?

   Deep Learning et orientations futures

   • Véhicules autonomes
   • Traitement automatique du langage naturel (NLP)

   Exemples de travaux pratiques (à titre indicatif)

   • Etudes de cas :
   • Progrès médicaux grâce à l'IA
   • Les réseaux neuronaux Tesla
   • ChatGPT par OpenAI

   Vision par ordinateur

   • Introduction à la vision par ordinateur
   • Représentation et traitement des images : notions de base
   • Techniques classiques de vision par ordinateur
   • Processus d'un modèle de vision par ordinateur
   • Deep Learning dans la vision par ordinateur
   • Sujets avancés et tendances actuelles
   • Outils et frameworks pour la vision par ordinateur
   • Défis et considérations éthiques

   Robotique

   • Introduction à la robotique
   • Composants clés des robots
   • Cinématique et mouvement
   • Perception robotique et IA
   • Système d'exploitation robotique (ROS) et outils
   • Applications robotiques
   • Cas d'utilisation : Zebra Medical Vision et Tesla Optimus
   • Défis, éthique et perspectives d'avenir

   Sécurité de l'IA

   • Attaque par injection de prompts
   • Divulgation d'informations sensibles
   • Vulnérabilité de la chaîne d'approvisionnement
   • Empoisonnement des données et des modèles
   • Traitement inapproprié des résultats
   • Agence excessive
   • Fuite des prompts système
   • Faiblesses des vecteurs et du gaufrage
   • Désinformation
   • Consommation énergétique
   • Deepfake

   Exemple de travaux pratiques (à titre indicatif)

   • Etude de cas : la supercherie du deepfake

   Ethique de l'IA

   • Conception éthique de l'IA
   • Biais et équité dans l'IA
   • Responsabilité, transparence et interprétabilité des modèles d'IA

   Gouvernance et stratégie en matière d'IA

   • Gouvernance et stratégie en matière d'IA
   • Mise en oeuvre stratégique de l'IA
   • Gestion et mise en oeuvre de projets d'IA

   Jour 5

   Préparation à l'examen de certification

   • Séances de questions-réponses
   • Exemples de sujets

   Passage de la certification

   • Il faut justifier de deux ans d'expérience professionnelle dont une année en Intelligence Artificielle pour passer cette certification
   • Le prix et le passage de l'examen sont inclus dans la formation
   • L'examen a lieu le dernier jour de la formation et s'effectue en ligne, pour une durée moyenne de 3h
   • Il s'agit d'un examen de 80 questions à livre ouvert (70% de bonnes réponses sont nécessaires pour l'obtention de la certification)

   Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

   
3. #

   M2I BOOST APRÈS VOTRE FORMATION

   Réactivation et consolidation des acquis en situation de travail

   • 30 jours d’accompagnement personnalisé sur myM2i inclus ^²
   • Ressources Boosters (Abonnement au M2i’Mag Soft Skills, formations offertes, invitations aux conférences d’actualité…)
   

1. ^¹ Les actions et les outils présentés dans ce programme le sont à titre indicatif et peuvent faire l’objet d'adaptation selon les niveaux, prérequis et besoins des apprenants. Les compétences clés de ce programme sont traitées à raison d'une compétence par demi-journée de formation.
2. ^² Sur myM2i, pendant 30 jours post-fin de formation, les apprenants disposent d’une messagerie sécurisée pour échanger, dans la limite de 4 sollicitations, avec leur formateur.