Objectifs de la formation
Cette formation intensive permet aux participants de maîtriser Python dans le cadre du développement de solutions en Intelligence Artificielle.Clientèle visée
Développeurs, ingénieurs, data scientists, toute personne souhaitant se reconvertir dans l’IAPréalables
Connaissances de base en programmation (Python idéalement). Notions en mathématiques/statistiques (algèbre linéaire, probabilités).Intervenants
Gains pour les participants
• Maîtriser les fondamentaux de Python pour l’IA.
• Manipuler et visualiser des données avec les bibliothèques Python.
• Implémenter des algorithmes de Machine Learning avec Scikit-learn.
• Créer des modèles de Deep Learning avec TensorFlow/Keras.
• Appliquer l’IA à des cas concrets : NLP, vision, prédiction.
Architecture de la formation
Jour 1 : Fondamentaux Python pour la Data Science
Chapitre 1 : Syntaxe et structures de base
• Variables, types, boucles, fonctions
• Listes, dictionnaires, tuples
Chapitre 2 : Programmation orientée objet
• Classes, héritage, encapsulation
Chapitre 3 : Environnements de travail
• Jupyter Notebook, VS Code, Google Colab
Atelier 1 : Création d’un mini-projet Python orienté objet
Jour 2 : Manipulation et visualisation de données
Chapitre 4 : NumPy et Pandas
• Tableaux multidimensionnels
• Nettoyage et transformation de données
Chapitre 5 : Visualisation avec Matplotlib et Seaborn
• Graphiques statistiques
• Corrélations et distributions
Atelier 2 : Analyse exploratoire d’un dataset (Titanic, Iris, etc.)
Jour 3 : Machine Learning avec Scikit-learn
Chapitre 6 : Apprentissage supervisé
• Régression linéaire, logistique
• Arbres de décision, Random Forest
Chapitre 7 : Apprentissage non supervisé
• K-means, PCA, clustering hiérarchique
Chapitre 8 : Évaluation des modèles
• Accuracy, precision, recall, F1-score
Atelier 3 : Implémentation d’un modèle de classification complet
Jour 4 : Deep Learning avec TensorFlow/Keras
Chapitre 9 : Réseaux de neurones artificiels
• Perceptron, MLP, fonctions d’activation
Chapitre 10 : Entraînement et validation
• Overfitting, early stopping, dropout
Chapitre 11 : Traitement d’images
• CNN, reconnaissance d’images
Atelier 4 : Création d’un modèle de reconnaissance d’images (MNIST)
Jour 5 : Applications avancées de l’IA
Chapitre 12 : Traitement du langage naturel (NLP)
• Tokenisation, TF-IDF, Word Embeddings
• Modèles de classification de texte
Chapitre 13 : Déploiement de modèles IA
• Sauvegarde avec Pickle/Joblib
• API Flask pour l’inférence
Chapitre 14 : Projet final
• Choix d’un cas réel (NLP, vision, prédiction)
• Présentation des résultats
Atelier 5 : Déploiement d’un modèle IA via une API Flask
Détails pédagogiques
Type de cours
Formation en entreprise
Vous avez plusieurs employés intéressés par une même formation? Que ce soit en présentiel dans vos bureaux ou à distance en mode virtuel, nous offrons des formations privées adaptées aux besoins de votre équipe. Des tarifs de groupes sont disponibles. Contactez-nous pour plus de détails ou demandez une soumission en ligne.
Demander une soumissionFormation en entreprise
Vous avez plusieurs employés intéressés par une même formation? Que ce soit en présentiel dans vos bureaux ou à distance en mode virtuel, nous offrons des formations privées adaptées aux besoins de votre équipe. Des tarifs de groupes sont disponibles. Contactez-nous pour plus de détails ou demandez une soumission en ligne.
Demander une soumission