L’Intelligence Artificielle niveau avancé avec Python

▪ Rappels sur les réseaux de neurones
▪ Réseaux de neurones pour la classification (decision trees, k-NN)
▪ Réseaux de neurones pour la régression

Cas pratiques:

Entrainement d’un réseau de neurones pour la classification et Scikit-Learn et TensorFlow/Keras
Implémentation d’une régression avec un réseau de neurones

▪ Techniques d’optimisation et de régularisation
▪ Evaluation et interprétation des modèles

Cas pratiques :
Optimisation des hyperparamètres d’un modèle
Interprétation des résultats avec SHAP et LIME

▪ Algorithmes de clustering (k-moyennes, DBSCAN)
▪ Réseaux de neurones récurrents (RNN, LSTM)

Cas pratiques :
Implémentation de l’algorithme DBSCAN pour la détection d’anomalies
Prévision de séries temporelles avec un réseau LSTM

▪ Mécanisme d’attention dans les réseaux de neurones
▪ Transformers et modèles de langage pré-entraînés

Cas pratiques :
Traduction de texte avec un modèle Transformer
Exploration d’un modèle de langage pré-entraîné avec attention (BERT, GPT)

▪ Modèles de langage à grande échelle (LLM)
▪ Prompting et fine-tuning des LLM

Cas pratiques :
Fine-tuning d’un LLM pour une tâche spécifique
Exploration des capacités d’un LLM (génération de texte, raisonnement, etc.)
Projet pratique avancé en groupe
Présentation de projets

Les séances pratiques avec Python et des bibliothèques comme TensoFlow, Scikit-Learn et les bibliothèques de traitement de langage naturel permettront aux participants de mettre en œuvre ces concepts avancés.