À l'issue de cette formation, les apprenants seront capables de distinguer les concepts fondamentaux de l'IA, de construire des réseaux neuronaux profonds, d'appliquer des modèles d'image et de texte, de développer des systèmes de traitement du langage naturel (NLP) basés sur l'attention et de concevoir des solutions de recommandation.

Ce cours pratique emmène les apprenants des fondements de l'apprentissage automatique et de l'apprentissage profond jusqu'à des implémentations avancées dans les domaines de la vision par ordinateur, du traitement du langage naturel, de la prédiction tabulaire et des systèmes de recommandation. Grâce à des leçons guidées, des exercices de programmation et des études de cas concrets, les apprenants acquerront une expertise pratique avec des outils de référence tels que Jupyter, Google Colab et PyTorch. Ce qui rend ce cours unique, c’est sa structure progressive : il commence par des concepts accessibles aux débutants, évolue progressivement vers la construction de réseaux neuronaux robustes, pour aboutir à l’application d’architectures avancées telles que les transformateurs et les mécanismes d’attention. Chaque module met l’accent sur la programmation pratique, garantissant ainsi que les apprenants ne se contentent pas de comprendre la théorie, mais qu’ils mettent également en œuvre et optimisent des modèles dans le cadre de projets concrets. À l’issue de cette formation, les apprenants disposeront des compétences nécessaires pour analyser des données, concevoir des caractéristiques, construire des modèles évolutifs et évaluer les performances, ce qui les rendra prêts à occuper des postes dans les domaines de l’IA, de l’ingénierie du deep learning et de la science des données.