Formation Certification Certified Artificial Intelligence Professional (CAIP)

Programme de notre formation Certified Artificial Intelligence Professional (CAIP)

[Jour 1 - Matin]

Fondamentaux de l’intelligence artificielle

• Repères de la certification Certified Artificial Intelligence Professional (CAIP) et organisation des révisions par domaine
• Principes de l’IA, de l’apprentissage automatique et de l’apprentissage profond
• Approches symboliques et statistiques, représentation des connaissances et raisonnement
• Applications métier, limites des systèmes et distinction entre automatisation et apprentissage
• Atelier pratique : Analyser plusieurs besoins métier et justifier le choix d’une approche d’IA à partir de scénarios de préparation à la certification.

[Jour 1 - Après-midi]

Analyse et visualisation des données

• Manipulation de données avec NumPy et pandas dans un notebook
• Traitement des valeurs manquantes, doublons, anomalies et types de variables
• Statistiques descriptives, distributions et interprétation des corrélations
• Choix de visualisations pertinentes et séparation des données pour prévenir les fuites d’information
• Atelier pratique : Nettoyer un jeu de données, produire trois visualisations et présenter les constats utiles au cadrage d’un modèle.

[Jour 2 - Matin]

Apprentissage supervisé et évaluation

• Formulation d’un problème de régression ou de classification à partir d’un objectif métier
• Prétraitement, encodage et normalisation dans un pipeline scikit-learn
• Régression linéaire, régression logistique, arbres de décision et forêts aléatoires
• Validation croisée, surapprentissage, régularisation et choix des métriques de performance
• Atelier pratique : Comparer deux modèles supervisés, analyser leurs erreurs et justifier une sélection à l’aide de métriques adaptées.

[Jour 2 - Après-midi]

Apprentissage non supervisé et par renforcement

• Objectifs de l’apprentissage non supervisé et exploration de structures sans étiquettes
• Segmentation avec k-means, réduction de dimension avec ACP et limites d’interprétation
• Évaluation des regroupements et introduction à la détection d’anomalies
• Apprentissage par renforcement, agent, environnement, récompense et compromis exploration-exploitation
• Atelier pratique : Construire une segmentation puis compléter un agent de Q-learning dans un environnement simplifié et analyser ses récompenses.

[Jour 3 - Matin]

Réseaux de neurones et deep learning

• Structure d’un réseau de neurones, couches, poids et fonctions d’activation
• Fonction de perte, rétropropagation, descente de gradient et optimisateurs
• Boucle d’entraînement avec PyTorch, lots de données et suivi de la validation
• Prévention du surapprentissage par dropout, régularisation et arrêt anticipé
• Atelier pratique : Implémenter un perceptron multicouche simple, tracer les courbes d’apprentissage et mesurer l’effet de deux réglages.

[Jour 3 - Après-midi]

Traitement du langage naturel

• Chaîne de traitement NLP, nettoyage, tokenisation et représentation des textes
• Vectorisation TF-IDF, plongements lexicaux et classification de documents
• Principes des réseaux récurrents, de l’attention et des architectures Transformers
• Analyse de sentiments, extraction d’entités et limites des systèmes de langage, dont les hallucinations
• Atelier pratique : Construire un classifieur de textes, examiner les erreurs et répondre à un questionnaire contextualisé sur les architectures NLP.

[Jour 4 - Matin]

Vision par ordinateur et réseaux convolutifs

• Représentation des images, pixels, canaux et opérations de prétraitement
• Distinction entre classification, détection d’objets et segmentation
• Architecture d’un CNN, convolutions, filtres, pooling et couches de sortie
• Augmentation des données, transfert d’apprentissage et évaluation sur des images inédites
• Atelier pratique : Implémenter un petit CNN de classification d’images, mesurer ses performances et analyser des exemples mal classés.

[Jour 4 - Après-midi]

Robotique et systèmes experts

• Fondamentaux de la robotique, capteurs, actionneurs et boucles de contrôle
• Articulation entre perception, planification et décision dans un système autonome
• Composants d’un système expert, base de connaissances et moteur d’inférence
• Chaînage avant, chaînage arrière et complémentarité entre règles métier et modèles appris
• Atelier pratique : Développer un moteur de règles simple pilotant un robot simulé et tester ses décisions face à plusieurs situations.

[Jour 5 - Matin]

Sécurité, conformité et stratégie responsable

• Identification des risques IA, empoisonnement des données, attaques adversariales et injections de prompt
• Protection des données et des modèles par contrôle d’accès, validation des entrées et supervision humaine
• Repères de conformité, RGPD, AI Act et obligations à examiner selon le contexte d’usage
• Éthique et gouvernance, équité, explicabilité, responsabilités et arbitrages liés aux impacts sociétaux
• Atelier pratique : Construire un registre des risques et une feuille de route d’IA responsable alignée sur les valeurs, les objectifs et les parties prenantes d’une organisation.

[Jour 5 - Après-midi]

Entraînement final à la certification

• Synthèse des domaines de compétences et consolidation des notions techniques et de gouvernance
• Méthode de résolution des questions à choix multiple et des scénarios contextualisés
• Gestion du temps, organisation des références autorisées et repérage des distracteurs
• Modalités du passage de l’examen officiel proposé, planification sur convocation et distinction entre réussite à l’examen et attribution du titre
• Atelier pratique : Réaliser un examen blanc chronométré, puis exploiter son corrigé commenté pour établir un plan de révision individuel.