Contenu du Cours
1
Découvrir l'Intelligence Artificielle
16 heures et 15 minutes
Introduction au chapitre
Qu'est-ce que l'intelligence artificielle ?
L'IA dans votre quotidien : 20 exemples concrets
Une courte histoire de l'IA (1950 → aujourd'hui)
IA, Machine Learning, Deep Learning : clarifier les termes
L'IA générative : pourquoi tout a changé en 2022
Apprentissage supervisé : apprendre avec des exemples
Apprentissage non-supervisé : découvrir des motifs
Apprentissage par renforcement en 10 minutes
Le vocabulaire essentiel de l'IA en 1 page
Les métiers de l'IA et leurs différences
L'IA au service de la formation professionnelle
2
Mathématiques intuitives pour l'IA
12 heures
Introduction au chapitre
Pourquoi un peu de maths pour l'IA ?
Moyenne, médiane, mode : décrire ses données
Écart-type et variance : mesurer la dispersion
Distributions : comprendre la forme de vos données
Corrélation et causalité : ne jamais confondre
Fonctions et droites : vers la régression
Distances et similarité : comparer deux choses
Probabilités en 10 exemples concrets
3
Python pour l'IA — Fondations
18 heures
Introduction au chapitre
Pourquoi Python est le langage de l'IA
Installer Python et Anaconda sur Windows
Premier Jupyter Notebook : Hello World
Variables et affectation
Types numériques : int, float et opérations
Chaînes de caractères (strings)
Booléens et opérateurs de comparaison
Conditions : if, elif, else
Boucle for et range()
Boucle while et break/continue
Input utilisateur et conversion de types
Mini-exemple guidé : calculatrice de frais de formation
4
Python pour l'IA — Aller plus loin
18 heures
Introduction au chapitre
Listes : créer, accéder, modifier
Méthodes de listes et compréhensions
Tuples et leur immuabilité
Dictionnaires : clés et valeurs
Sets et déduplication
Fonctions : définir et appeler
Paramètres et arguments avancés
Portée des variables : local vs global
Lecture et écriture de fichiers (txt, CSV, JSON)
Modules et imports
Gestion des erreurs (try/except)
Requêtes HTTP avec requests et JSON
5
Manipulation de données : NumPy & Pandas
12 heures
Introduction au chapitre
Pourquoi NumPy est plus rapide que Python pur
Opérations vectorisées avec NumPy
Pandas — découvrir le DataFrame
Charger un CSV réel avec Pandas
Sélectionner, filtrer, trier
Nettoyer les valeurs manquantes
Encoder les variables catégorielles
Visualiser avec Matplotlib et Seaborn
6
Collecte de données : Web Scraping & APIs
12 heures
Introduction au chapitre
Anatomie d'une page HTML : rappel rapide
Premier scraping avec requests + BeautifulSoup
Sélecteurs CSS pour l'extraction
Gérer la pagination et les listes
Robustesse : erreurs, timeouts, user-agent
APIs publiques : authentification et quotas
Parser du JSON complexe
Éthique du scraping : CGU, robots.txt, RGPD
7
Machine Learning classique avec scikit-learn
23 heures et 15 minutes
Introduction au chapitre
Le workflow type d'un projet ML
Separer donnees d'entrainement et de test
Scikit-learn : l'API fit / predict / score
Votre premier modele : la regression logistique
K plus proches voisins (KNN)
Arbres de decision : interpretables
Forets aleatoires (Random Forest)
Regression lineaire pour predire un nombre
SVM en 30 minutes : juste l'essentiel
Clustering avec K-means
Réduction de dimension avec PCA
Feature engineering : créer des features utiles
Sélection de features
Normalisation et standardisation
Pipeline scikit-learn : enchaîner les étapes
Sauvegarder et charger un modèle
8
Évaluation et amélioration des modèles
8 heures
9
Traitement du langage naturel (NLP)
8 heures
10
LLM et IA générative
8 heures
11
Éthique, biais et IA responsable
4 heures
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter