Introduction au machine learning

  • Filière :

    IA & Innovation

  • Sous-filière :

    AI Modeling, tools & frameworks

  • Référence

    IA-ML

  • Durée

    2 jours (14 h)

  • Prix par personne HT

    Sur demande

Objectifs pédagogiques

  • Apprendre à stocker, trier et visualiser des données à l’aide de formats variés et d’outils de visualisation.
  • Comprendre et appliquer des modèles d’intelligence artificielle simples comme la régression linéaire et les KNN.
  • Maîtriser les techniques d’influence des modèles de langage (LLM) via le fine-tuning et le prompt engineering.
  • Implémenter des techniques avancées pour optimiser les performances des LLM, telles que le RAG et les agents REACT.

Public cible

  • COMEX
  • Informaticiens
  • Collaborateurs

Pré-requis

  • Connaissance de la programmation
  • Connaissance des basique en programmation en Python

Modalités d’évaluation

L’évaluation des acquis se fait tout au long de la session au travers d’ateliers de mise en pratique des notions et concepts abordés pendant la formation.

Programme de la formation

Préparer et visualiser ses datas

Introduction

  • Présentation de jupyter notebook (l’outil que nous utiliserons pour la formation)
  • Comment les stocker, les trier et les visualiser
  • Stocker les données dans les différents formats :
    •  CSV
    • JSONL
    • Base de données
    • Parquet
  • Trier la data grâce à SQL
  • Visualiser la data dans des graphiques avec Pandas et Matplotlib
    • Scatter plot – Nuage de points
    • Plot box – Boite à moustache
    • Bar chart – Histogrammes

Pratique : Trier de la donnée par table et afficher le résultat dans des graphiques grâce à Pandas

Choisir son modèle d’intelligence artificielle

L’idée est de rapidement présenter quelques modèles simples : le concept, la famille et l’utilité

  • Les régressions linéaires
  • Les KNN
  • Les arbres de décision
  • Les RNN
  • Introduction à la lib Sickit-learn pour les algorithmes simples
  • Introduction à Keras pour le machine learning

Pratique : Sur les tris effectués précédemment, réaliser un système de prédiction avec deux manières différentes : une régression linéaire avec Sickit-learn et un KNN avec Keras

Manipuler un LLM

Montrer qu’il est possible d’influencer facilement un LLM par 2 techniques :

  • Fine tune
  • Prompt ingénierie

Pratique :

  • Charger un model LLM via pytorch,
  • Utiliser un LLM pour l’analyse des sentiments dans du texte

Technique LLM avancée

Comment implémenter, améliorer et diminuer le coup de ses LLM avec des techniques avancées :

  • RAG
  • Agentic AI
  • Routing
  • Caching

Pratique :

  • Implémenter un RAG afin d’améliorer les réponse d’un LLM
  • Utiliser un Agent REACT

Programme mis à jour le