Generative AI 1
1.0.0
La maîtrise des compétences en IA générative telles que la génération de texte et d'images, les principes fondamentaux de l'apprentissage en profondeur, la PNL et la vision par ordinateur sont très précieuses dans le paysage technologique actuel. Ces compétences permettent aux individus de développer des solutions innovantes dans divers domaines tels que le traitement du langage naturel, la synthèse d'images et les systèmes de recommandation personnalisés. Face à la demande croissante d'applications basées sur l'IA dans des secteurs allant de la santé à la finance, la maîtrise de l'IA générative donne aux professionnels la capacité de créer des systèmes intelligents qui améliorent l'efficacité, la créativité et les processus décisionnels. De plus, comprendre les implications éthiques de l’IA garantit un développement et un déploiement responsables de ces technologies, favorisant ainsi la confiance et la durabilité dans ce domaine.
Ce programme de formation couvre les principes fondamentaux et les pratiques avancées de l'IA générative. Il comprend des sujets sur la génération de texte et d'images à l'aide de grands modèles linguistiques (LLM), les principes fondamentaux de l'apprentissage profond, la PNL, la vision par ordinateur et des considérations éthiques. Grâce à des projets pratiques, les apprenants acquièrent des compétences dans la création de chatbots personnalisés, d'outils de retouche photo IA et d'agents immobiliers personnalisés.
Fondamentaux de l'IA générative :
Introduction aux principes fondamentaux de l'IA générative : couvre les connaissances fondamentales sur l'IA générative, les algorithmes populaires et les architectures pour la génération de texte et d'images.
Principes fondamentaux du Deep Learning : éléments essentiels du Deep Learning pour les praticiens de l'IA générative, y compris une introduction aux bibliothèques PyTorch et Hugging Face.
Modèles de base : exploration des modèles de base en IA, leur application à diverses tâches et implications éthiques.
Adaptation des modèles de fondation : techniques d'adaptation des modèles de fondation, y compris le réglage rapide et le réglage fin efficace des paramètres (PEFT).
→ Projet : Optimisation légère d'un modèle de base à l'aide de PEFT
Grands modèles linguistiques (LLM) et génération de texte :
Introduction aux LLM : types de LLM, compréhension de leurs limites et capacités, et stratégies pour une ingénierie rapide.
Fondamentaux de la PNL : bases du traitement du langage naturel, de l'encodage et de la génération de texte.
Transformateurs et mécanisme d'attention : exploration des architectures de transformateurs, des mécanismes d'attention et des modèles de transformateurs modernes.
Génération augmentée de récupération : création d'un bot de questions-réponses personnalisé et exploitation des capacités de traitement linguistique d'OpenAI.
Créer des ensembles de données personnalisés pour les LLM : construction d'ensembles de données pertinents pour affiner les grands modèles de langage.
→ Projet : Créer un chatbot personnalisé
Vision par ordinateur et IA générative :
Introduction à la génération d'images : définir la génération d'images et sa pertinence dans l'IA et l'apprentissage automatique.
Fondamentaux de la vision par ordinateur : comprendre comment les ordinateurs traitent et analysent les données d'image.
Génération d'images et GAN : Exploration des réseaux contradictoires génératifs (GAN) pour la génération d'images.
Modèles de vision par ordinateur basés sur des transformateurs : comprendre les transformateurs de vision et leurs applications.
Modèles de diffusion : principes fondamentaux des algorithmes de diffusion et travail pratique avec les diffuseurs Huggingface pour la génération d'images.
→ Projet : Retouche photo AI avec Inpainting
Créer des solutions d'IA générative :
Introduction à la création d'applications génératives : conception et mise en œuvre d'IA générative à l'aide de grands modèles de langage.
Création de solutions d'IA générative avec des bases de données vectorielles : concepts de base des bases de données vectorielles et leur application en IA.
Développement de solutions d'IA générative avec LangChain : exploration du framework LangChain pour travailler avec de grands modèles de langage.
→ Projet : Agent Immobilier Personnalisé
Principes fondamentaux de l'IA générative : Maîtrise de l'IA générative • Classification d'images • Apprentissage par transfert • Formation de réseaux de neurones • Câlins de visage • Réglage fin efficace des paramètres • Ingénierie rapide • Apprentissage profond • PyTorch • Modèles de base • IA éthique
Grands modèles linguistiques (LLM) et génération de texte : ensemble API IA • Implémentation de la recherche en Python • Transformateurs NLP • Sélénium • Grands modèles linguistiques • Nettoyage des données • Traitement du langage naturel • API OpenAI • Réseaux de neurones transformateurs • Ingénierie rapide • Tokenisation • Similarité cosinus • Requêtes API • Réseaux de neurones récurrents • Mécanismes d'attention • Génération de texte • Évaluation de la qualité des données • Intégrations de mots • Récupération de données
Vision par ordinateur et IA générative : Prétraitement d'images • Apprentissage par transfert • Incorporation de mots • IA éthique • Modèles de diffusion • Algorithme YOLO • Évaluation de modèles • Génération de texte • Maîtrise de la vision par ordinateur • Classification d'images • Grands modèles de langage • Pandas • Génération d'images • Formation neuronale réseaux • Réseaux de neurones convolutifs • Réglage fin efficace des paramètres • Segmentation d'images • Transformateurs de vision par ordinateur • Tokenisation • Évaluation de la qualité des données • Réseaux adverses génératifs
Création de solutions d'IA générative : vecteurs • Génération augmentée par récupération • API OpenAI • LangChain
