Intelligence artificielle

Azur formation

Non finançable CPF

Tout public

Présentiel

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Prix

Nous contacter

Durée

Nous contacter

Localité

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

1 - Coder avec des IA Génératives :
Comprendre ce qu'est une IA générative
Savoir intégrer une IA générative dans son environnement de travail
Etre en mesure d'utiliser une IA générative pour des besoins évolués
Savoir déployer en local une IA générative
2 - Machine Learning avec Scikit-Learn :
Le Machine Learning repose sur la maîtrise de ses concepts, tâches et outils. Il nécessite de structurer les données, concevoir et optimiser des modèles prédictifs grâce à des algorithmes de régression, classification et clystérisation. Leur performance s'affine par validation croisée et ajustement des hyperparamètres. Enfin, comprendre les réseaux de neurones permet d'exploiter tout le potentiel de l'intelligence artificielle.
3 - Deep Learning avec Python et Tensorflow :
Comprendre le fonctionnement général d'un réseau de neurones.
Connaitre les principales architectures utilisées en computer vision.
Comprendre le NLP (Natural Language Processing) et l'architecture Transformer.
Comprendre l'IA Générative.
Savoir combiner un réseau de neurones avec un apprentissage par renforcement.
Connaitre les aspects avancés de configuration de Tensorflow.

Programme

1 - Coder avec des IA Génératives :
Qu'est-ce qu'une IA générative ?
Préparer son environnement de travail
Aspects avancés
Déployer son IA en local
La prochaine génération d'outils de codage
2 - Machine Learning avec Scikit-Learn :
Introduction au Machine Learning
Manipulation de données
Modèles d'apprentissage
Les algorithmes standards
Optimisation des modèles
Sensibilisation au Deep Learning
3 - Deep Learning avec Python et Tensorflow
Introduction
Computer vision et réseaux convolutifs
NLP
Tour d'horizon de l'IA Générative
Apprentissage par renforcement
Aspects avancés de tensorflow
Conclusion