All training courses

Training courseFOR-DEV-M7-A

Créer une IA

Du réseau de neurones au modèle déployé : concevoir, entraîner et mettre en production une IA

  • 35 heures — 5 jours
  • 2 450 € HT
  • Schools & training centres
  • Qualiopi certification being prepared
Translucent spheres linked by filaments in an abstract structure

Content currently available in French.

At a glance

Le module alterne séquences théoriques et ateliers pratiques tout au long de chaque journée. Il conduit des fondamentaux du deep learning (réseaux de neurones, CNN, Transformers) jusqu'aux modèles de langage (LLM : fine-tuning, RAG, API) et au déploiement d'un modèle (MLOps). Les frameworks de référence sont TensorFlow/Keras ou PyTorch, complétés par Hugging Face.

Learning objectives

  • Comprendre les principes du deep learning (réseaux de neurones, apprentissage, rétropropagation)
  • Construire et entraîner un réseau de neurones avec un framework (TensorFlow/Keras ou PyTorch)
  • Traiter différents types de données (images, texte) avec les architectures adaptées (CNN, RNN/Transformers)
  • Comprendre et exploiter les modèles de langage (LLM) : fine-tuning, RAG, intégration via API
  • Évaluer un modèle, gérer le surapprentissage et connaître les enjeux (biais, coûts, éthique, MLOps)
  • Déployer un modèle d'IA et l'exposer (API, application)

Target audience

  • Étudiants et apprenants des écoles et centres de formation partenaires
  • Data scientists, développeurs et profils techniques souhaitant créer des modèles d'IA
  • Profils ayant les bases data/ML (module Data Scientist recommandé)

Prerequisites

Des bases solides en Python et en machine learning sont requises (module « Data Scientist » fortement recommandé), ainsi qu'une aisance avec les notions de modèle, d'entraînement et d'évaluation. Des notions de mathématiques (algèbre linéaire, dérivées) facilitent la compréhension. Ces éléments sont validés par un formulaire en ligne et / ou un entretien préalable.

  • Maîtriser Python et les bases du machine learning (module Data Scientist conseillé).
  • Comprendre les notions de modèle, d'entraînement et d'évaluation.
  • Avoir des notions de mathématiques (algèbre linéaire, dérivées) — un atout.
  • Disposer d'une autonomie technique et d'une curiosité pour l'IA.

Programme

Jour 1 — Des fondamentaux du ML au deep learning
  1. Du ML au réseau de neurones

    Rappel ML et limites ; neurone, couches, fonctions d'activation.

    Exposé interactif, schémas de réseaux, exemples.

    Assessment : Questions orales ; QCM sur les fondamentaux.

    1h15
  2. Premier réseau simple

    Implémenter un premier réseau de neurones.

    TP guidé, environnement préparé (Colab), accompagnement.

    Assessment : Réseau simple fonctionnel.

    2h15
  3. Apprentissage & rétropropagation

    Fonction de perte, descente de gradient, rétropropagation.

    Exposé, schémas, intuition mathématique.

    Assessment : QCM sur l'apprentissage.

    1h00
  4. Entraîner un réseau

    Entraîner un réseau et observer la convergence.

    TP, suivi des courbes d'apprentissage, ajustements.

    Assessment : Entraînement et convergence validés.

    2h30
Jour 2 — Réseaux profonds & vision (CNN)
  1. Réseaux profonds & régularisation

    Profondeur, surapprentissage, régularisation ; frameworks TensorFlow/Keras, PyTorch.

    Exposé, comparaison de frameworks, exemples.

    Assessment : Questions orales ; QCM.

    1h15
  2. Réseau avec un framework

    Construire un réseau avec un framework.

    TP guidé (Keras ou PyTorch), accompagnement.

    Assessment : Réseau framework validé.

    2h15
  3. Réseaux convolutifs (CNN)

    Principe des CNN pour le traitement d'images.

    Exposé, schémas de convolution, exemples.

    Assessment : QCM sur les CNN.

    1h00
  4. Classifieur d'images

    Entraîner un classifieur d'images.

    TP, jeu d'images, entraînement (GPU/cloud), évaluation.

    Assessment : Classifieur d'images validé.

    2h30
Jour 3 — Texte, séquences & Transformers
  1. NLP, RNN & Transformers

    Traitement du langage, représentations, RNN puis architecture Transformer.

    Exposé, schémas, intuition de l'attention.

    Assessment : Questions orales ; QCM.

    1h15
  2. Modèle de traitement de texte

    Construire un modèle de texte (classification ou génération simple).

    TP guidé, jeu de données texte, accompagnement.

    Assessment : Modèle texte validé.

    2h15
  3. Transfer learning & modèles pré-entraînés

    Transfer learning, modèles pré-entraînés (Hugging Face).

    Exposé, panorama Hugging Face, exemples.

    Assessment : QCM sur le transfer learning.

    1h00
  4. Réutiliser un modèle pré-entraîné

    Fine-tuning léger d'un modèle pré-entraîné.

    TP, modèle pré-entraîné, fine-tuning, évaluation.

    Assessment : Fine-tuning validé.

    2h30
Jour 4 — Modèles de langage (LLM) en pratique
  1. Fonctionnement des LLM

    Capacités et limites, prompt, fine-tuning vs RAG.

    Exposé, schémas, exemples comparatifs fine-tuning/RAG.

    Assessment : Questions orales ; QCM sur les LLM.

    1h15
  2. LLM via API & RAG simple

    Intégrer un LLM via API et construire un RAG simple.

    TP guidé, API LLM, base documentaire, accompagnement.

    Assessment : Intégration LLM + RAG validée.

    2h15
  3. Panorama & exécution

    Modèles ouverts/propriétaires, coûts, exécution locale vs cloud.

    Exposé, panorama des modèles, comparaison des coûts.

    Assessment : QCM sur le panorama.

    1h00
  4. Comparer & évaluer

    Comparer des approches et évaluer les résultats.

    TP, comparaison d'approches, grille d'évaluation.

    Assessment : Comparaison et évaluation validées.

    2h30
Jour 5 — Évaluation, déploiement (MLOps) & projet
  1. Évaluation, biais & MLOps

    Évaluation, biais, éthique, empreinte/coûts ; introduction au MLOps (cycle de vie, monitoring).

    Exposé, cas de biais, schéma du cycle MLOps.

    Assessment : QCM sur l'évaluation et le MLOps.

    1h00
  2. Évaluer & fiabiliser

    Évaluer et fiabiliser un modèle.

    TP, métriques, tests de robustesse, analyse des biais.

    Assessment : Évaluation du modèle validée.

    2h00
  3. Déploiement d'un modèle

    Exposer un modèle (API, conteneur, service).

    Exposé, schéma de déploiement, bonnes pratiques.

    Assessment : QCM sur le déploiement.

    1h00
  4. Déploiement de bout en bout & restitution

    Déployer un modèle d'IA de bout en bout et le présenter.

    TP projet, déploiement, présentations, revue collective, QCM final, enquête de satisfaction.

    Assessment : Évaluation sommative : modèle entraîné et déployé + QCM final.

    2h30

Teaching methods and resources

In-person training at our premises or yours, in small groups. A mix of theory, hands-on workshops and practical scenarios.

Required equipment :

16 Go de Ram recommandés (accès GPU/cloud pour certains ateliers)

  • Les stagiaires doivent disposer d'un PC avec le Wifi et 16 Go de RAM recommandés ; un accès à des ressources GPU/cloud (ex. Google Colab) est prévu pour les ateliers d'entraînement.
  • Effectif adapté au format école / centre de formation.
  • Parcours dédié aux écoles et centres de formation, établi sur devis.

Assessment methods

Learning outcomes are assessed during and at the end of the training; an attendance certificate is given to every learner.

Accessibility for people with disabilities

Training accessible to people with disabilities. Contact us before registering so we can study the adjustments needed.

Funding

Quote or training agreement on request. Qualiopi certification is being prepared: eligibility for OPCO funding will open once it is obtained.

Certification audit planned for T1 2027. No OPCO eligibility before it is obtained.

Share this article