Jour 1:

• Introduction
  • Qu’est-ce que la Data Science? Définition et relations avec le Machine Learning et l’Intelligence Artificielle?
• Machine Learning
  • Types d’apprentissage, types de problèmes, et cas d’utilisation pratiques
  • Comment ça marche?
• Pipeline de l'apprentissage automatique : Des données au modèle
  • Collecte et préparation des données
    • Problèmes de données courants
    • Préparation et partitionnement
  • Extraction des caractéristiques
    • Sélection des caractéristiques
    • Réduction des dimensions
    • Normalisation
  • Entraînement et évaluation du modèle
    • Sélection de l'algorithme approprié
    • Métriques d’évaluation
    • Sur-apprentissage et sous-apprentissage: le dilemme biais-variance
    • Ajustement des hyper-paramètres
• Outils du Data Scientist: Python, Jupyter Notebook, Numpy, Scikit-learn, Git, etc.
• Mise en pratique

Jour 2:

• Qu’est-ce que le Deep Learning?
• Exemples d’applications
  • Traitement d’images
  • Traitement du langage naturel
  • Autres
• Modèles de Deep Learning
  • Convolutional Neural Networks (NN)
  • Recurrent NN
  • Transformer Networks
• Apprentissage par transfert (Transfer Learning)
• Mise en pratique

Jour 3:

• Introduction au RAG (Retrieval-Augmented Generation)
  • Qu’est-ce que le RAG?
  • Processus de récupération et de génération
  • Evaluation d’un système RAG
  • Exemples d’applications
• Atelier pratique sur le RAG
  • Mise en œuvre d’un modèle RAG simple avec Hugging Face
  • Discussion des applications avancées utilisant le RAG
  • Conclusion