Concepteur développeur en intelligence artificielle et analyse big data - bloc 05

Bloc 5 : Développer et mettre en production des algorithmes d'IA par apprentissage profond (Deep Learning) - C1 : Préparer des données non structurées en les convertissant en données numériques et sous forme tabulaires pour servir de données d'entraînement à un algorithme d'apprentissage profond. - C2 : Sélectionner l'algorithme d'apprentissage profond le plus adapté en comparant les performances et les caractéristiques des différentes familles d'algorithmes afin d'apporter une réponse pertinente adaptée à la problématique métier rencontrée. - C3 : Entraîner un modèle d'apprentissage profond en optimisant une loss function (fonction de coût) à partir des données d'entraînement afin de permettre à l'algorithme d'effectuer le moins d'erreurs possibles selon des indicateurs de succès clairement définis. - C4 : Déployer efficacement un modèle d'apprentissage profond en utilisant des outils et plateformes de production adaptés (MLOps), pour assurer une accessibilité et une performance optimale des prédictions de l'algorithme aux utilisateurs finaux.

S1 – Culture IA & Deep Learning : Cas d'usage et métiers, éthique et juridique (RGPD, AI Act), veille S2 – Environnement de développement IA : Python (NumPy, Pandas), notebooks, Git, GPU et cloud S3 – Préparation et traitements des données (C1) : Cleaning, preprocessing, Texte, images et audio convertis en données numériques, augmentation, dataloaders S4 – Fondamentaux de l'apprentissage automatique : Train/val/test, sur-apprentissage, loss, descente de gradient, métriques S5 – Réseaux de neurones profonds (C3) : Rétropropagation, optimiseurs, régularisation, TensorFlow/Keras et PyTorch S6 – Architectures & choix de l'algorithme (C2) : CNN, RNN/LSTM, Transformers, comparaison selon le besoin métier S7 – Modèles pré-entraînés & transfert learning : Hugging Face, fine-tuning sur données spécifiques S8 – Optimisation : LoRA & distillation : LoRA/PEFT, distillation, quantization, gestion des ressources S9 – MLOps & mise en production (C4) : FastAPI, Docker, MLflow, déploiement cloud, monitoring S10 – Projet & évaluation certifiante : Cas pratique sur un jeu de données métier + déploiement d'un modèle fourni.