Spécialiste en solutions d’intelligence artificielle

Ce cours permet à l’étudiant(e) de comprendre les fondements de l’intelligence artificielle et d’explorer les conditions techniques, matérielles et organisationnelles nécessaires à la mise en œuvre d’un projet en IA. À travers l’analyse des problématiques adressables par l’IA, l’identification des ressources requises, la configuration d’environnements de développement et l’intégration de technologies de virtualisation, l’étudiant(e) apprend à structurer et piloter efficacement un projet d’IA dans son écosystème technologique.

Ce cours offre une introduction complète et pratique du processus de collecte et de gestion des données dans le contexte de projets d’intelligence artificielle. Il aborde l’analyse des besoins en données, l’identification des sources pertinentes, la sélection des langages de programmation et des environnements de collecte (locaux et infonuagiques), ainsi que l’application des concepts de programmation, y compris la programmation orientée objet, pour automatiser et sécuriser la collecte.

Le cours combine des connaissances théoriques sur les types de données, les formats, les bases de données relationnelles et non relationnelles, et les outils de stockage avec des activités pratiques, incluant la conception et la programmation de processus de collecte, la validation et la documentation des données, ainsi que l’agrégation et le stockage dans des structures adaptées.

À la fin du cours, il est possible de concevoir, programmer et exploiter des solutions complètes de collecte et de stockage de données fiables et performantes, en tenant compte des contraintes techniques et organisationnelles, tout en assurant la qualité, la cohérence et la réutilisabilité des données pour soutenir des projets d’intelligence artificielle.

Ce cours offre une compréhension pratique des concepts fondamentaux de la statistique et de l’algèbre linéaire appliqués à l’intelligence artificielle. Dans une première phase, on aborde l’identification et la représentation des données, l’analyse statistique descriptive et inférentielle, la réalisation de tests d’hypothèses et l’estimation de paramètres. Dans une deuxième phase, on aborde aussi la manipulation de vecteurs et matrices, les transformations linéaires, les décompositions matricielles et la résolution de systèmes d’équations linéaires.

Le cours combine des connaissances théoriques sur les méthodes statistiques et algébriques avec des activités pratiques, incluant l’application des concepts à des jeux de données en intelligence artificielle.

À la fin du cours, l’apprenant sera capable de choisir et d’appliquer les méthodes appropriées, d’interpréter et de communiquer les résultats, et de construire des solutions mathématiquement solides et adaptées aux enjeux de l’intelligence artificielle.

Ce cours vise à doter les étudiant(e)s des compétences nécessaires pour concevoir, mettre en œuvre et évaluer des modèles d’apprentissage automatique, qu’ils soient supervisés ou non supervisés, dans des contextes variés et concrets. À travers l’exploration des paradigmes fondamentaux de la régression, de la classification, du partitionnement (clustering) et de la réduction de dimension, les étudiant(e)s apprendront à sélectionner les algorithmes appropriés, à les paramétrer efficacement, et à interpréter leurs résultats en fonction des objectifs d’un projet donné.

L’approche pédagogique repose sur l’utilisation d’outils tels que Python et scikit-learn, sur l’analyse de jeux de données réels ou simulés, et sur le développement de pipelines complets intégrant prétraitement, modélisation et validation. Le cours met également l’accent sur la capacité à justifier les choix techniques, à comparer les performances des modèles, et à formuler des conclusions claires et argumentées.

Ce cours vise à doter les étudiant(e)s des compétences nécessaires pour explorer, analyser et transformer des jeux de données en vue de leur utilisation dans des solutions d’intelligence artificielle. Les participant(e)s apprendront à examiner la qualité des données, à choisir et appliquer des représentations graphiques adaptées, à mettre en œuvre des approches statistiques variées, et à interpréter les résultats de manière rigoureuse.

L’approche pédagogique repose sur l’utilisation de langages de programmation (notamment Python et ses bibliothèques comme pandas, numpy, matplotlib, seaborn, scikit-learn, etc.), sur l’analyse de jeux de données réels ou simulés, et sur le développement de pipelines de transformation automatisés. Le cours met également l’accent sur la capacité à justifier les choix techniques, à croiser des données internes et externes, et à formuler des conclusions claires et argumentées.

Ce cours est une introduction complète et pratique aux fondements de l’apprentissage profond, un champ essentiel de l’IA moderne. Il présente les concepts fondamentaux des réseaux de neurones artificiels, leurs mécanismes d’apprentissage, ainsi que les architectures avancées qui permettent de résoudre des problèmes complexes en vision par ordinateur, en traitement du langage et en modélisation de données structurées ou non structurées.

Le cours aborde la structure et le fonctionnement des réseaux de neurones et les principaux algorithmes d’optimisation. Il introduit ensuite les architectures profondes incontournables, notamment les réseaux de neurones convolutifs pour l’analyse d’images, les réseaux récurrents pour les données séquentielles, ainsi que les autoencodeurs pour la réduction de dimension et la reconstruction de données. Les fondements des modèles génératifs probabilistes sont également couverts, permettant aux étudiantes et étudiants de comprendre comment les réseaux profonds peuvent apprendre à modéliser des distributions de données complexes.

Combinant théorie et mise en pratique, le cours intègre des activités de programmation permettant d’implémenter, d’entraîner et d’évaluer différents modèles d’apprentissage profond à l’aide de bibliothèques adaptées. Les apprentissages portent autant sur la compréhension des architectures que sur leur utilisation dans des scénarios réels, incluant la préparation des données, le choix des hyperparamètres, la validation et l'interprétation des performances.

Ce cours offre une compréhension complète et pratique du développement de solutions multimodales en intelligence artificielle. Il couvre l’ensemble du processus, depuis l’identification et l’extraction automatisée des données issues de différentes modalités jusqu’à la conception, l’implémentation et l’entraînement de modèles multimodaux adaptés.

Le cours aborde également le prétraitement, la synchronisation des données, l’évaluation des performances et la robustesse des modèles, ainsi que la documentation et la maintenance des solutions. De plus, des compétences tant théoriques que pratiques, incluant l’utilisation des cadriciels et outils spécialisés pour orchestrer des pipelines multimodaux, optimiser les modèles et produire des rapports structurés, sont prévues.

Ce cours propose une introduction complète, structurée et appliquée au développement de solutions d’intelligence artificielle générative (IAG), un domaine central de l’IA contemporaine. Il présente les fondements théoriques et pratiques des modèles génératifs modernes, ainsi que les approches permettant de concevoir, d’adapter et de déployer des systèmes capables de générer du contenu nouveau sous différentes formes : texte, image, signal et données multimodales.

Le cours aborde d’abord les principes fondamentaux de la modélisation générative, en mettant l’accent sur l’apprentissage de distributions de données complexes à l’aide de réseaux de neurones profonds. Les principales familles de modèles génératifs sont étudiées, incluant les autoencodeurs variationnels, les réseaux antagonistes génératifs (GANs) et les modèles de diffusion, afin de comprendre leurs mécanismes d’apprentissage, leurs capacités de génération et leurs limites respectives.

Le cours introduit ensuite les architectures à base de Transformers, qui constituent le socle des grands modèles de langage (LLMs) et des systèmes génératifs multimodaux actuels. Les étudiantes et étudiants sont amenés à comprendre le fonctionnement du mécanisme d’attention, la structure des modèles de fondation, ainsi que les différences entre modèles ouverts et propriétaires. Une attention particulière est portée aux techniques d’adaptation de modèles préentraînés, telles que le fine-tuning léger, les approches PEFT, LoRA et le prompt tuning.

À la fin du cours, les étudiantes et étudiants seront en mesure de concevoir et adapter une solution d’IA générative fonctionnelle, en comprenant les principes sous-jacents des modèles utilisés, leurs contraintes techniques, leurs enjeux éthiques et leurs impacts potentiels en contexte réel. Les méthodes et outils étudiés permettent ainsi de soutenir efficacement des projets d’innovation nécessitant des solutions génératives robustes, responsables et intégrées dans des environnements métier.

Ce cours introduit les fondements théoriques et pratiques de l’apprentissage par renforcement (Reinforcement Learning, RL), une branche de l’intelligence artificielle dédiée à l’apprentissage par interaction avec un environnement dynamique.

Le cours aborde les concepts clés, tels que les processus de décision markoviens (MDP), la notion de politique, de récompense et d’équilibre exploration/exploitation. Les étudiant(e)s apprendront à modéliser des problèmes séquentiels complexes et à appliquer des algorithmes fondamentaux, tels que Q-Learning, SARSA et les approches d’apprentissage par renforcement profond (DQN, PPO, etc.).

Une attention particulière est portée à la mise en œuvre pratique des algorithmes, à l’analyse de leurs performances et aux défis associés (stabilité, convergence, biais).

À la fin du cours, les étudiant(e)s seront capables de concevoir, d’implémenter et d’évaluer des agents intelligents capables de prendre des décisions optimales dans des environnements complexes.

Ce cours consiste à développer chez l’étudiante et l’étudiant les connaissances et les habiletés requises pour appliquer les bonnes pratiques en matière de gouvernance et de sécurité de l’IA, incluant les méthodes de classification des données selon leur sensibilité, les cadres législatifs liés à la protection et à la confidentialité des données, les cadres normatifs et les règles de base liés à la sécurité des données et des systèmes d’IA  ainsi que les techniques de cartographie et d’anonymisation des données. 

Le cours est également centré sur l’intégrité et l’éthique appliquée au domaine de l’IA. Cela implique que les étudiantes et étudiants développent une attitude soucieuse du respect de la confidentialité et de l’utilisation intègre des données ainsi qu’un comportement conforme en tout point aux encadrements en matière de sécurité et de gouvernance des données. Cela requiert aussi de se conformer aux lois en vigueur sur l’accès à l’information et la protection des renseignements personnels et d’appliquer les règles internes de sécurité de l’information des entreprises et des organisations. Cela suppose également d’être en mesure d’expliquer et de respecter les bonnes pratiques et les normes environnementales associées à l'utilisation des données et des technologies de l’IA.

Ce cours propose une mise en place complète et pratique de la conception, du développement et de l’intégration de solutions d’intelligence artificielle, en combinant concepts théoriques et activités pratiques. Il aborde l’analyse des besoins d’affaires, la formulation d’idées de projets d’IA, la conception d’architectures de solutions, la préparation et l’intégration des données, le développement des composantes logicielles et matérielles, ainsi que les mécanismes de déploiement, de tests, de surveillance et d’intégration avec des systèmes existants.

Le cours permet aux étudiant(e)s de développer les compétences essentielles pour concevoir des solutions d’IA complètes, sélectionner des technologies adaptées, configurer des environnements de développement et de déploiement, construire et intégrer des composantes logicielles sécurisées, et assurer le suivi de performance des systèmes en production. Le projet de synthèse, incluant la conception d’architectures, l’implémentation d’interfaces, les tests de performance et le monitorage des solutions, est essentiel pour appliquer les notions acquises dans des contextes réels et complexes.