Python appliqué à l'IA ( Intelligence Artificielle , Machine et Deep Learning, Data science, IA générative, déploiement )

Introduction au langage python • Environnement de développement • Types de données : variables, tableaux, listes, dictionnaires, tuples • Opérations courantes : conditions, boucles, fonctions, ... • Modules et packages • Manipulations de fichiers • Built-in fonctions • Optimisation de code & automatisation des tâches • Programmation POO orientée objet : méthodes, classes, héritage • Analyse des données (librairies Numpy & Pandas) • Visualisation graphique des données (librairie Matplotlib) • Gestion des Exceptions Introduction à l'IA (Machine Learning et Deep Learning) • Algorithmes d'apprentissage par familles (Regression, Classification, Clustering, ...) • Domaines d'application • Data Preprocessing • Méthodes de préparation des données avant leur utilisation dans le Machine Learning Algorithmes de l'apprentissage supervisé - Régression • Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage) • Fonctionnement de l'apprentissage d'un modèle. Algorithme du « Gradient Descent » • Pratique : développer des modèles de prédiction • Evaluation des performances des modèles • Exercices - Classification • Fonctionnement du modèle KNN, et autres modèles • Pratique : développer des modèles de vision par ordinateur • Evaluation des modèles, Matrice de confusion • Exercices Algorithmes de l'apprentissage non supervisé • Modèles K-Means et DBSCAN • Pratique : développer des modèles de clustering. Regroupement, Segmentation, Détection d'anomalies/fraudes • Exercices Réseaux de neurones et Deep Learning • Fonctionnement et Entraînement des réseaux de neurones MLP, CNN, RNN • Les environnements TensorFlow, Keras • Pratique :    - Créer des modèles de reconnaissance d'images    - Time Series Forcasting,    - NLP (Natural Language Processing) avec LSTM ... • Fine-Tunning : Optimisation des performances d'un modèle • Exercices Gestion de projet d'IA • Cycle de développement & Bonnes pratiques • Performances d'un modèle (Overfitting, Régularisation, Cross Validation, ...) • Modèles Hybrides Déploiement des modèles • Avec les APIs Flask et FastAPI, en modes script python et pages web • Conteneurisation avec Docker IA générative • Comprendre le fonctionnement • Comprendre les LLM (Large Language Model) & Transformers • Pratique : Création d'agents conversationnels (chatbots) basés sur GPT, Mistral et autres LLMs ... • Librairie Langchain • Génération d'images et de sons Détection d'anomalies • modèles LOF, IF et autoencoder