1. Fondations de l’IA & Data : Nettoyer les écuries d’Augias des CSV
Concepts, enjeux et limites de l’IA.
Mathématiques : Tenseurs, fonctions d’activation et descente de gradient.
Manipulation de données avec Pandas et NumPy.
Activité : Feature Engineering sur un dataset “sale”.
2. Deep Learning & Vision : Apprendre à voir dans les matrices
Architecture des réseaux de neurones (PMC) et réseaux convolutifs (CNN).
Prétraitement d’images avec OpenCV et Pillow.
Gestion de l’overfitting et de l’underfitting.
Activité : Entraînement d’un classifieur d’images avec Keras.
3. NLP & GenAI : Murmurer à l’oreille des Transformers
NLP classique vs Transformers et mécanismes d’attention.
Piliers du Prompt Engineering et gestion du contexte.
Sécurité : Hallucinations, biais et injections de prompt.
Activité : Prompt Battle thématique.
4. Orchestration & Agents : Quand le code prend le contrôle
Introduction à Langchain et aux System Prompts.
RAG (Retrieval Augmented Generation) et bases vectorielles.
Utilisation d’outils externes via les agents (MCP).
Activité : Création d’un agent anti-arnaqueurs.
5. Gouvernance & Éthique : Garder la machine sur les rails
Responsabilité, équité et les 6 piliers de la propriété de l’IA.
Stratégies pour gagner la confiance des utilisateurs.
Activité : Débat sur l’IA parfaite et soutenance finale.
🎓 Modalités d’Évaluation
Évaluation
Type
Poids
Format
Note 1
Travaux Pratiques (Images, Texte, Agents)
20%
Notebook (.ipynb)
Note 2
QCM Théorique (ML/DL & GenAI)
30%
Quiz en ligne
Note 3
Projet Final (Prototype IA complet)
50%
Dépôt GitHub + README
Exigences de Rendu
Transparence IA : Section obligatoire détaillant la méthodologie et la critique des outils utilisés.
Preuves : Captures d’écran et logs d’exécution obligatoires dans les notebooks.
Sécurité : Zéro tolérance pour les clés d’API présentes dans le code ou l’historique Git (usage de .env requis).
Source Code
---number-sections: false---# 📑 Syllabus {.unnumbered}## 🎯 Plan de Cours### 1. Fondations de l'IA & Data : Nettoyer les écuries d'Augias des CSV- Concepts, enjeux et limites de l'IA.- Mathématiques : Tenseurs, fonctions d'activation et descente de gradient.- Manipulation de données avec Pandas et NumPy.- **Activité :** Feature Engineering sur un dataset "sale".### 2. Deep Learning & Vision : Apprendre à voir dans les matrices- Architecture des réseaux de neurones (PMC) et réseaux convolutifs (CNN).- Prétraitement d'images avec OpenCV et Pillow.- Gestion de l'overfitting et de l'underfitting.- **Activité :** Entraînement d'un classifieur d'images avec Keras.### 3. NLP & GenAI : Murmurer à l'oreille des Transformers- NLP classique vs Transformers et mécanismes d'attention.- Piliers du Prompt Engineering et gestion du contexte.- Sécurité : Hallucinations, biais et injections de prompt.- **Activité :** Prompt Battle thématique.### 4. Orchestration & Agents : Quand le code prend le contrôle- Introduction à Langchain et aux System Prompts.- RAG (Retrieval Augmented Generation) et bases vectorielles.- Utilisation d'outils externes via les agents (MCP).- **Activité :** Création d'un agent anti-arnaqueurs.### 5. Gouvernance & Éthique : Garder la machine sur les rails- Responsabilité, équité et les 6 piliers de la propriété de l'IA.- Stratégies pour gagner la confiance des utilisateurs.- **Activité :** Débat sur l'IA parfaite et soutenance finale.## 🎓 Modalités d'Évaluation| Évaluation | Type | Poids | Format || :--- | :--- | :--- | :--- || **Note 1** | Travaux Pratiques (Images, Texte, Agents) | 20% | Notebook (.ipynb) || **Note 2** | QCM Théorique (ML/DL & GenAI) | 30% | Quiz en ligne || **Note 3** | Projet Final (Prototype IA complet) | 50% | Dépôt GitHub + README |### Exigences de Rendu- **Transparence IA :** Section obligatoire détaillant la méthodologie et la critique des outils utilisés.- **Preuves :** Captures d'écran et logs d'exécution obligatoires dans les notebooks.- **Sécurité :** Zéro tolérance pour les clés d'API présentes dans le code ou l'historique Git (usage de `.env` requis).