Maîtriser les techniques IA de la donnée au déploiement de modèles
Cette formation de cinq jours permet de découvrir et d’approfondir l’utilisation de l’Intelligence Artificielle en Data Science. Elle combine théorie et pratique pour apprendre à concevoir, entraîner et déployer des modèles IA adaptés aux besoins métiers, à travers des ateliers concrets.
Est-ce pour vous ?
Data scientists, data analysts, développeurs souhaitant se spécialiser en IA, ingénieurs logiciels, architectes techniques et chefs de projet technique orientés données.
Préalables
Connaissances de base en Python. Notions en statistiques et algèbre linéaire. Familiarité avec les concepts de Data Science
Ce que vous saurez faire
- ✓ Manipuler et analyser des données avec Python et les bibliothèques clés (NumPy, Pandas, Matplotlib)
- ✓ Préparer des datasets exploitables grâce au nettoyage, à la normalisation et au feature engineering
- ✓ Implémenter des modèles de machine learning supervisés et non supervisés avec Scikit-learn
- ✓ Concevoir et entraîner des réseaux de neurones avec TensorFlow ou PyTorch pour des cas concrets
- ✓ Déployer un modèle IA via une API et évaluer ses performances en conditions réelles
Contenu de la formation
1 Concepts fondamentaux
- Définition IA, Machine Learning, Deep Learning.
- Applications en Data Science.
2 Écosystème et outils
- Python pour IA.
- Bibliothèques clés : NumPy, Pandas, Matplotlib.
- Atelier pratique :
- Exploration et visualisation d’un jeu de données.
3 Collecte et nettoyage des données
- Gestion des données manquantes.
- Normalisation et encodage.
4 Feature Engineering
- Sélection et transformation des variables.
- Atelier pratique :
- Préparation d’un dataset pour un modèle prédictif.
5 Apprentissage supervisé
- Régression linéaire et logistique.
- Arbres de décision et Random Forest.
6 Apprentissage non supervisé
- Clustering (K-means).
- Réduction de dimension (PCA).
- Atelier pratique :
- Implémentation d’un modèle ML avec Scikit-learn.
7 Bases du Deep Learning
- Architecture des réseaux neuronaux.
- Fonctions d’activation et backpropagation.
8 Frameworks avancés
- TensorFlow vs PyTorch.
- Création d’un réseau simple.
- Atelier pratique :
- Développement d’un modèle de classification d’images.
9 Évaluation et optimisation
- Métriques de performance.
- Hyperparamètres et tuning.
10 Déploiement d’un projet IA
- Intégration dans un environnement réel.
- Outils de déploiement (Flask, FastAPI).
- Atelier pratique :
- Déploiement d’un modèle IA via une API.
📌 Informations pratiques
Nos formations sont offertes à Montréal ou Québec, en présentiel ou en classe virtuelle. Les dates et lieux sont précisés lors de votre choix de session ci-dessous. Si vous avez des questions, consultez notre FAQ.