Intelligence artificielle et machine learning appliqués

Description

L’intelligence artificielle et l’apprentissage automatique (machine learning) s’imposent dans tous les secteurs pour automatiser des tâches, prédire, classer, recommander ou analyser textes et images. Pour en tirer de la valeur de manière maîtrisée, il faut comprendre comment les modèles sont construits, entraînés, évalués et mis en production, et quelles sont leurs limites.

Cette formation pratique, indépendante des fournisseurs, couvre le cycle complet d’un projet d’IA : cadrage du cas d’usage, préparation des données et ingénierie des variables, algorithmes d’apprentissage automatique, réseaux de neurones et apprentissage profond, traitement du langage naturel et vision par ordinateur, évaluation et optimisation des modèles, mise en œuvre, gouvernance et usage responsable de l’IA.

Elle s’adresse aux professionnels des données, développeurs, professionnels IT, analystes métier et chef·fe·s de projet qui souhaitent concevoir ou piloter des solutions d’IA.

Au terme de la formation, les participant·e·s peuvent passer la certification internationale CertNexus Certified Artificial Intelligence Practitioner (CAIP), examen AIP-210 : 80 questions à choix multiple en 120 minutes, en anglais, dans un centre de test Pearson VUE – notamment à l’ISEIG – ou en ligne. L’examen n’est pas compris dans le prix du cours.

Objectifs pédagogiques

• comprendre les concepts, la terminologie et les cas d’usage de l’IA et du machine learning

• préparer les données et construire les variables d’un modèle

• choisir et entraîner des algorithmes d’apprentissage automatique

• comprendre et utiliser les réseaux de neurones et l’apprentissage profond

• connaître les techniques de traitement du langage naturel et de vision par ordinateur

• évaluer, optimiser et mettre en œuvre des modèles

• intégrer la gouvernance et l’usage responsable de l’IA

• se préparer à la certification CAIP

Programme

Fondamentaux de l’IA et du machine learning

• concepts, terminologie et cas d’usage

• cadrage d’un projet d’IA

Données

• préparation des données et ingénierie des variables

Algorithmes d’apprentissage automatique

• régression, classification, clustering

• choix et entraînement des modèles

Réseaux de neurones et apprentissage profond

Traitement du langage naturel et vision par ordinateur

Évaluation et optimisation

• métriques de performance, surapprentissage, optimisation

Mise en œuvre et gouvernance

• déploiement et suivi des modèles

• biais, explicabilité, protection des données et usage responsable de l’IA

Préparation à la certification

Public cible & prérequis

• bases en technologies de l’information, en données ou en analyse métier

• notions de programmation (par exemple Python) recommandées

• compréhension de l’anglais technique écrit, l’examen de certification étant en anglais