GO AI ACADEMY

Module 1 : Introduction & Fondamentaux

2 séances

1

Introduction au domaine de l'IA et Fondamentaux Python

Terminologies: IA, ML, Big Data, Deep Learning, NLP, CV, LLMs…
Panorama des métiers (Data Engineer, Data Scientist, AI Engineer…)
Python 101: Syntaxe de base, Arithmétique et Variables en Python
Types et Structures de données en Python (booléens, listes, tuples, strings, dictionnaires…)
Structures Conditionnelles (if/elif/else) et structures Itératives (for/while, break/continue) en Python
TP plateforme: Installations et configurations (Python, VSCode, Anaconda (Jupyter), Git/GitHub et Kaggle/Google Colab) et exercices Python

2

Python Avancé

Programmation Fonctionnelle (fonctions, lambda, map, filter, reduce)
Programmation Orienté Objet - POO (classes, héritage, encapsulation, polymorphisme)
Gestion de modules et bibliothèques standard (os, sys, pathlib…)
Gestion des fichiers (CSV, JSON) et gestion d'exceptions(try/except/finally)
Environnements virtuels (venv, pipenv, conda)
TP plateforme: Création d'une mini-bibliothèque Python

Module 2 : Mathématiques et Data Analysis

2 séances

3

Fondamentaux Mathématiques pour le Machine Learning

Algèbre linéaire (vecteurs, matrices, opérations fondamentales)
Statistiques descriptives (mesures de position et de dispersion: moyenne, médiane, variance, écart-type)
Introduction à la théorie de la probabilité (lois classiques, indépendance, espérance)
Notions d'Optimisation (fonctions convexes vs non-convexes)
TP plateforme: Manipulations NumPy: vecteurs, produits matriciels, statistiques, lois de probabilité

4

Prétraitement, Visualisation et Analyse de données

Manipulation des données avec Pandas (DataFrame, Séries, jointures, groupby)
Nettoyage des données (gestion des valeurs manquantes, scaling, outliers, normalisation, encodage etc…)
Data visualization avec matplotlib & Seaborn (diagrammes, Heatmaps, histogrammes etc…)
TP plateforme: Pandas : DataFrame, nettoyage, agrégations; matplotlib/Seaborn : histogrammes, boîte à moustaches, heatmaps

Module 3 : Machine Learning (ML)

3 séances

5

Apprentissage Supervisé: Modèles de Régression

Types d'algorithmes de Machine Learning
Workflow ML : collecte, préparation, modélisation, évaluation, déploiement
Régression linéaire (simple, multiple, polynomiale)
Biais/variance, overfitting, régularisation (Ridge, Lasso)
Métriques (MSE, RMSE, R²)
TP/Projet plateforme: Prédiction de la qualité de l'air dans différentes régions en utilisant des données environnementales

6

Classification supervisée

Régression logistique, K-Nearest neighbors (KNN), Support Vector Machines (SVM), Naïves Bayes
Arbres de décision et Random Forests
Métriques classification (accuracy, précision, recall, F1, ROC AUC)
TP/Projet plateforme: Prédiction du risque de contraction de maladies cardiovasculaires en milieu médical

7

Apprentissage non supervisé et Techniques avancées

Clustering (KMeans, DSBSCAN) et Analyse en Composantes Principales (PCA)
Techniques de Validation croisée (KFold, Stratified KFold, Leave-One-Out)
Feature Engineering et Hyperparameters tuning (Grid Search CV, Random Search, Bayesian Search)
Les Modèles d'ensembling et de boosting (XGBoost, LightGBM, AdaBoost, stacking, bagging etc…)
TP plateforme: Détection de transactions frauduleuses en milieu bancaire

Module 4 : Deep Learning avec PyTorch

3 séances

8

Réseaux de Neurones Profonds

Perceptron, fonctions d'activation (ReLU, Sigmoid, Tanh)
Réseaux feed-forward, fonctions coûts (MSE, MAE, Cross entropy etc…)
Backpropagation, optimizers (Stochastic Gradient Descent, Batch GD, Adam, RMSProp)
Techniques de régularisation (Dropout, BatchNorm, early stopping)
TP: Implémentation from scratch et entrainer d'un perceptron multi-couche avec PyTorch

9

Vision par Ordinateur

Réseaux de Neurones Convolutifs (CNNs, pooling, padding…)
Architectures classiques (LeNet, VGG, ResNet)
Transfert learning & fine-tuning
Détection d'objets (YOLO, Faster R-CNN)
TP/Projet plateforme 1: Détection de maladies de plantes à partir d'images (agriculture intelligente)
TP/Projet plateforme 2: Créer un modèle pour reconnaître et suivre des objets dans des vidéos en temps réel

10

Traitement automatique du Langage Naturel (NLP) & Sequence Modeling

Réseaux de neuronnes récurrents (RNNs) & LSTMs
Représentations de texte (One-hot, TF-IDF, Word2Vec, embeddings)
Introduction aux Transformers & Mécanisme d'attention
Large Language Models (LLMs) et modèles de fondation (Llama, Mistral…)
Notions de RAG, fine-tuning de LLMs
TP plateforme: Création d'un chatbot RAG personnalisé de vulgarisation scientifique déployé avec Streamlit/Gradio

Module 5 : Déploiement & MLOps

1 séance + Projet final

11

Déploiement & MLOps (Bonus)

Introduction au MLOps, CI/CD pour modèles IA
APIs avec FastAPI, interfaces avec Streamlit/Gradio
Monitoring et gestion des versions de modèles avec Mlflow
Déploiement de modèle sur le Cloud avec Docker et AWS
TP: Déployer un modèle d'analyse de sentiments en API REST avec FastAPI + démo Gradio + tracking avec MLFlow sur HuggingFace Spaces

🎓

Projet & Évaluation finale

Projet final Kaggle (2 semaines) : compétition en groupe ou individuelle, prix pour le Top 3 du leaderboard
Présentation orale + rapport écrit détaillant méthodologie, résultats et axes d'amélioration

Data science et Intelligence Artificielle

Programme Détaillé

Module 1 : Introduction & Fondamentaux

Introduction au domaine de l'IA et Fondamentaux Python

Python Avancé

Module 2 : Mathématiques et Data Analysis

Fondamentaux Mathématiques pour le Machine Learning

Prétraitement, Visualisation et Analyse de données

Module 3 : Machine Learning (ML)

Apprentissage Supervisé: Modèles de Régression

Classification supervisée

Apprentissage non supervisé et Techniques avancées

Module 4 : Deep Learning avec PyTorch

Réseaux de Neurones Profonds

Vision par Ordinateur

Traitement automatique du Langage Naturel (NLP) & Sequence Modeling

Module 5 : Déploiement & MLOps

Déploiement & MLOps (Bonus)

Projet & Évaluation finale