Créer et utiliser les modèles d’IA - Maitrise

Rappel  :  

• Méthodologie de projet de machine learning
• Rappel des méthodes d'apprentissage (Supervisé / Non supervisé) et des algorithmes classiques associés (ainsi que les NN), et des choix d'algorithmes d'apprentissage suivant le besoin
• Rappel sur les métriques (ML, NLP, CV…)
• Présentation de l'environnement interactif pour la réalisation des TP 

Travaux pratiques :  

• Mise en place d'expérimentations avec différents algorithmes d'apprentissage supervisé (données financières du TP hyperopt)
• Optimisation des hyperparamètres d'un modèle:
  • Optimisation par recherche aléatoire
  • Optimisation bayésienne des hyperparamètres avec Hyperopt 

Travaux pratiques  :  

• TP sur la détection des anomalies dans des séries temporelles (apprentissage non supervisé) : Instanciation d'algorithmes classiques
• TP sur la détection des anomalies dans des séries temporelles (apprentissage non supervisé) :  Instanciation d'un autoencoder 

Transfert learning - Cours (Fine-tuning / Teacher-student) :  

• Approfondissement sur les LLM :
  • Présentation générale des LLM
  • Fonctionnement industriel : agent, RAG, semantic chunking etc.
  • Métriques d’évaluation des LLM​  

Transfert learning (yolov3 vers une architecture cnn light) 

Rappel :  

• Natural Language Processing
• Deep dive dans la 'self supervised learning method' / Transformer 

Travaux pratiques :  

• TP de LLM (présenté par le formateur) :
  • Instanciation d'un LLM Mistral
  • Utilisation d’un agent (Langchain) pour confirmer la compréhension des demandes (intent detection) et orientation vers des tâches RAG sur des corpus prédéfinis 
• TP sur le NLP :
  • Classification des sentiments de tweets 
• TP de computer vision :
  • Apprentissage / Fine-tuning d'un modèle préentrainé (CNN vs VTransformer) 

Introduction au Reinforcement Learning  

Chaîne de Markov  

Q-Learning 

Travaux pratiques :  

• TP de reinforcement learning:
  • Apprendre à un taxi à prendre et déposer des passagers aux bons endroits 
• TP simulation de Monte-Carlo :
  • Création de l'environnement de simulation 
• Fonction d'évaluation d'une politique RL
• On-policy Monte Carlo control
• Off-policy Monte Carlo control
• Autres exemples de recherche opérationnelle :
  • Problèmes d'optimisation
  • Algorithmes génétiques 

La sécurité de l'IA : 

• Les attaques adverses
• Stratégie de défense 

Travaux pratiques : 

• TP sur les LLM
  • Tests de performance des RAG selon diverses métriques 

Une IA responsable : 

• Impacts societaux des decisions algorithmiques reglementations et recommandations sur les algorithmes d'ia 
• Biais et discrimination dans les algorithmes d'apprentissage
• Explicabilite des algorithmes d’apprentissage automatique interpretation globale et locale
• Illustration des techniques d'explicabilite sur un cas d'usage 

Calendrier à venir 

Oui, cette formation est personnalisable de plusieurs façons :  

• Langue :  en anglais ou en français
• Horaire : long (classique, 7 heures) ou raccourci (2h, 4h) 
• Format : présentiel ou distanciel 

Le tarif annoncé plus haut peut varier pour une version sur-mesure, merci de préciser votre demande pour que nous puissions vous proposer un devis adéquat.