Openskillroom

Ce que vous apprendrez ?

Acquérir les bases de la mise en production des modèles (MLOps) avec l'écosystème Google Cloud (Vertex AI).
Comprendre le fonctionnement et les enjeux des grands modèles de langage (LLM) et de l'IA générative.
Savoir concevoir, entraîner, évaluer et optimiser des modèles prédictifs et de classification.
Maîtriser les concepts fondamentaux du Machine Learning et du Deep Learning selon les standards de Google.

Prérequis

• Mathématiques : Algèbre de base, notions d'algèbre linéaire (matrices, vecteurs) et bases en statistiques/probabilités. • Programmation : Maîtrise intermédiaire de Python (listes, dictionnaires, fonctions) et des bibliothèques de manipulation de données (NumPy, Pandas). • Environnement : Avoir un compte Google pour utiliser Google Colab.

Contenu de la Formation

Total: 36 Chapitres Total hours: 30

Clarification des concepts (IA vs Machine Learning vs Deep Learning).
Introduction à la philosophie ML de Google.
Les trois grands types d'apprentissage (supervisé, non-supervisé, par renforcement).
Prise en main de l'environnement de développement Google Colab.
Exploration et manipulation de données avec NumPy et Pandas.

Modèle de régression linéaire.
Concepts fondamentaux : fonction de perte (Loss), descente de gradient (Gradient Descent) et hyperparamètres (taux d'apprentissage / Learning Rate)
Entraînement d'un premier modèle de régression linéaire simple et optimisation manuelle des hyperparamètres sur Colab.

Cycle de vie de la donnée (numérique vs catégorielle).
Découpage des données (Entraînement, Validation, Test).
Comprendre et détecter le surapprentissage (overfitting) et le sous-apprentissage (underfitting).
Techniques de préparation des données (feature engineering), nettoyage d'un jeu de données réel et création de pipelines de validation robustes.

La régression logistique pour les problèmes de classification binaire et multi-classes.
Métriques d'évaluation de performance de Google : Matrice de confusion, Exactitude (Accuracy), Précision, Rappel (Recall) et courbe AUC-ROC.
Construction d'un classifieur, calcul des métriques et analyse des erreurs de prédiction.

Anatomie d'un réseau de neurones artificiels (couches cachées, fonctions d'activation non-linéaires comme ReLU et Sigmoid).
Principes de la rétropropagation du gradient.
Introduction à TensorFlow et Keras (les frameworks open-source de Google).
Création d'un premier réseau de neurones multicouches.

Au-delà des réseaux de neurones : fonctionnement des arbres de décision et des Forêts de Décision (Decision Forests).
Introduction à l'apprentissage non supervisé avec le Clustering (K-Means).
Implémentation d'un modèle d'arbre de décision pour de la classification et segmentation de profils clients via le clustering.

Comment les machines comprennent le texte.
Introduction aux représentations vectorielles (Embeddings) et aux architectures fondamentales du traitement automatique du langage naturel.
Utilisation de modèles d'embeddings textuels pour analyser et classifier la similarité entre différentes phrases ou documents.

Compréhension de l'architecture Transformer (créée par Google).
Introduction aux LLM modernes et aux concepts d'IA générative.
Principes fondamentaux du Prompt Engineering avancé (chaining, tree-of-thought).
Connexion et requêtage de modèles d'IA générative (comme Google Gemini) via API en Python pour automatiser des tâches complexes.

Les directives de Google sur l'IA éthique.
Comment identifier, mesurer et corriger les biais discriminatoires dans les données et les algorithmes.
Justice distributionnelle et neutralité des modèles.
Audit de l'équité d'un modèle prédictif à l'aide d'outils open-source dédiés à l'analyse des biais de prédiction.

Le passage de la recherche à la production (MLOps).
Introduction aux outils Cloud de Google : Google Vertex AI pour déployer, gérer et monitorer les modèles à grande échelle.
Étude de cas sur le déploiement d'un modèle dans le cloud et architecture globale d'un projet ML industriel.

À TÉLÉCHARGER

À propos de l'instructeur

0.0 Note Global
0 Évaluations
1 Cours
Voir tous les cours.

wadi hamza

wadihamza30@gmail.com

Voir plus Voir Moins

Retour des Apprenants (Note Formateur)

0.0

(0) Évaluation globale

5 stars

0.00%

4 stars

0.00%

3 stars

0.00%

2 stars

0.00%

1 stars

0.00%

Avis

Pour ajouter un avis sur le cours, vous devez d'abord vous connecter. Connectez-vous ici

Caractéristiques du cours

Durée 30 hour
Language Français
Niveau de compétence.
CertificateNon
Nombre maximum d'inscrits 100
Type de formation distanciel

Cours connexes

Related course image

Prompt Engineering Essentials with AWS

wadi hamza

Related course image

PL-300 : Microsoft Certified: Power BI Data Analyst Associate

Ikram mout

Related course image

Techniques de Réduction de Dimensions en Data Mining : PCA et t-SNE

IDRISSI

Related course image

Découvrez les secrets de l’analyse de données professionnelle avec SPSS

ENNANIA

Related course image

Transformez vos données en visualisations époustouflantes avec Plotly et JS

ENNANIA

Devenir enseignant, Partagez vos connaissances

Rejoignez OpenskillRoom, la plateforme de formations synchrones qui valorise votre expertise.