Ce module propose une immersion approfondie dans l'univers de l'analyse de données, où l'on met au jour des tendances et des informations sans recourir à des étiquettes prédéfinies. Vous découvrirez les concepts fondamentaux de l'apprentissage non supervisé, mettrez en œuvre des techniques de regroupement (clustering) telles que k-means et DBSCAN, ainsi que des méthodes de réduction de dimensionnalité, analyserez les résultats des algorithmes et comparerez différentes approches sur divers ensembles de données. Ces connaissances vous permettront d'extraire des informations précieuses à partir d'ensembles de données complexes et de prendre des décisions éclairées sur la base de vos analyses.

Ce module a pour objectif d'offrir une exploration approfondie des techniques de pointe en apprentissage automatique. Vous apprendrez les principes fondamentaux de l'apprentissage par renforcement, mettrez en œuvre des algorithmes tels que l'apprentissage Q et les gradients de politique, évaluerez des modèles à l'aide d'indicateurs de performance appropriés et comparerez l'apprentissage par renforcement à d'autres paradigmes du ML. Cette compréhension approfondie vous permettra d'aborder des problèmes complexes et de contribuer à l'élaboration de solutions innovantes dans le domaine en pleine évolution de l'IA.

Ce module a pour objectif de fournir une introduction complète aux réseaux neuronaux et à leurs applications dans le domaine de l'IA moderne. Vous apprendrez à décrire les architectures de réseaux neuronaux, à implémenter et à entraîner des modèles à l’aide de frameworks tels que TensorFlow et PyTorch, à appliquer des techniques telles que les CNN, les RNN et les GAN à des données d’images et de texte, à évaluer les performances des modèles, et à expliquer la pertinence de l’apprentissage profond dans le cadre de l’IA générative (GenAI). Ces connaissances vous permettront d’exploiter efficacement l’apprentissage profond dans des contextes universitaires et concrets.

Ce module propose une exploration approfondie des rôles, des responsabilités et des approches dans le domaine de l’IA et du ML au sein d’un environnement professionnel. Vous comparerez différentes approches d'entreprise en matière de déploiement et de maintenance des systèmes d'IA et d'apprentissage automatique, vous comparerez les responsabilités des ingénieurs lorsqu'ils travaillent avec des modèles développés en interne par rapport à des modèles de langage pré-entraînés (LLM), et vous distinguerez la manière dont les ingénieurs en IA et en apprentissage automatique collaborent avec les analystes métier, les ingénieurs de données, les data scientists et d'autres professionnels. Ces connaissances vous permettront de vous orienter et de contribuer efficacement à des projets d’IA et d’apprentissage automatique dans un contexte d’entreprise.