Training courseFOR-DEV-M7-A
Créer une IA
Du réseau de neurones au modèle déployé : concevoir, entraîner et mettre en production une IA
- 35 heures — 5 jours
- 2 450 € HT
- Schools & training centres
- Qualiopi certification being prepared

Content currently available in French.
At a glance
Le module alterne séquences théoriques et ateliers pratiques tout au long de chaque journée. Il conduit des fondamentaux du deep learning (réseaux de neurones, CNN, Transformers) jusqu'aux modèles de langage (LLM : fine-tuning, RAG, API) et au déploiement d'un modèle (MLOps). Les frameworks de référence sont TensorFlow/Keras ou PyTorch, complétés par Hugging Face.
Learning objectives
- Comprendre les principes du deep learning (réseaux de neurones, apprentissage, rétropropagation)
- Construire et entraîner un réseau de neurones avec un framework (TensorFlow/Keras ou PyTorch)
- Traiter différents types de données (images, texte) avec les architectures adaptées (CNN, RNN/Transformers)
- Comprendre et exploiter les modèles de langage (LLM) : fine-tuning, RAG, intégration via API
- Évaluer un modèle, gérer le surapprentissage et connaître les enjeux (biais, coûts, éthique, MLOps)
- Déployer un modèle d'IA et l'exposer (API, application)
Target audience
- Étudiants et apprenants des écoles et centres de formation partenaires
- Data scientists, développeurs et profils techniques souhaitant créer des modèles d'IA
- Profils ayant les bases data/ML (module Data Scientist recommandé)
Prerequisites
Des bases solides en Python et en machine learning sont requises (module « Data Scientist » fortement recommandé), ainsi qu'une aisance avec les notions de modèle, d'entraînement et d'évaluation. Des notions de mathématiques (algèbre linéaire, dérivées) facilitent la compréhension. Ces éléments sont validés par un formulaire en ligne et / ou un entretien préalable.
- Maîtriser Python et les bases du machine learning (module Data Scientist conseillé).
- Comprendre les notions de modèle, d'entraînement et d'évaluation.
- Avoir des notions de mathématiques (algèbre linéaire, dérivées) — un atout.
- Disposer d'une autonomie technique et d'une curiosité pour l'IA.
Programme
Jour 1 — Des fondamentaux du ML au deep learning
-
1h15
Du ML au réseau de neurones
Rappel ML et limites ; neurone, couches, fonctions d'activation.
Exposé interactif, schémas de réseaux, exemples.
Assessment : Questions orales ; QCM sur les fondamentaux.
-
2h15
Premier réseau simple
Implémenter un premier réseau de neurones.
TP guidé, environnement préparé (Colab), accompagnement.
Assessment : Réseau simple fonctionnel.
-
1h00
Apprentissage & rétropropagation
Fonction de perte, descente de gradient, rétropropagation.
Exposé, schémas, intuition mathématique.
Assessment : QCM sur l'apprentissage.
-
2h30
Entraîner un réseau
Entraîner un réseau et observer la convergence.
TP, suivi des courbes d'apprentissage, ajustements.
Assessment : Entraînement et convergence validés.
Jour 2 — Réseaux profonds & vision (CNN)
-
1h15
Réseaux profonds & régularisation
Profondeur, surapprentissage, régularisation ; frameworks TensorFlow/Keras, PyTorch.
Exposé, comparaison de frameworks, exemples.
Assessment : Questions orales ; QCM.
-
2h15
Réseau avec un framework
Construire un réseau avec un framework.
TP guidé (Keras ou PyTorch), accompagnement.
Assessment : Réseau framework validé.
-
1h00
Réseaux convolutifs (CNN)
Principe des CNN pour le traitement d'images.
Exposé, schémas de convolution, exemples.
Assessment : QCM sur les CNN.
-
2h30
Classifieur d'images
Entraîner un classifieur d'images.
TP, jeu d'images, entraînement (GPU/cloud), évaluation.
Assessment : Classifieur d'images validé.
Jour 3 — Texte, séquences & Transformers
-
1h15
NLP, RNN & Transformers
Traitement du langage, représentations, RNN puis architecture Transformer.
Exposé, schémas, intuition de l'attention.
Assessment : Questions orales ; QCM.
-
2h15
Modèle de traitement de texte
Construire un modèle de texte (classification ou génération simple).
TP guidé, jeu de données texte, accompagnement.
Assessment : Modèle texte validé.
-
1h00
Transfer learning & modèles pré-entraînés
Transfer learning, modèles pré-entraînés (Hugging Face).
Exposé, panorama Hugging Face, exemples.
Assessment : QCM sur le transfer learning.
-
2h30
Réutiliser un modèle pré-entraîné
Fine-tuning léger d'un modèle pré-entraîné.
TP, modèle pré-entraîné, fine-tuning, évaluation.
Assessment : Fine-tuning validé.
Jour 4 — Modèles de langage (LLM) en pratique
-
1h15
Fonctionnement des LLM
Capacités et limites, prompt, fine-tuning vs RAG.
Exposé, schémas, exemples comparatifs fine-tuning/RAG.
Assessment : Questions orales ; QCM sur les LLM.
-
2h15
LLM via API & RAG simple
Intégrer un LLM via API et construire un RAG simple.
TP guidé, API LLM, base documentaire, accompagnement.
Assessment : Intégration LLM + RAG validée.
-
1h00
Panorama & exécution
Modèles ouverts/propriétaires, coûts, exécution locale vs cloud.
Exposé, panorama des modèles, comparaison des coûts.
Assessment : QCM sur le panorama.
-
2h30
Comparer & évaluer
Comparer des approches et évaluer les résultats.
TP, comparaison d'approches, grille d'évaluation.
Assessment : Comparaison et évaluation validées.
Jour 5 — Évaluation, déploiement (MLOps) & projet
-
1h00
Évaluation, biais & MLOps
Évaluation, biais, éthique, empreinte/coûts ; introduction au MLOps (cycle de vie, monitoring).
Exposé, cas de biais, schéma du cycle MLOps.
Assessment : QCM sur l'évaluation et le MLOps.
-
2h00
Évaluer & fiabiliser
Évaluer et fiabiliser un modèle.
TP, métriques, tests de robustesse, analyse des biais.
Assessment : Évaluation du modèle validée.
-
1h00
Déploiement d'un modèle
Exposer un modèle (API, conteneur, service).
Exposé, schéma de déploiement, bonnes pratiques.
Assessment : QCM sur le déploiement.
-
2h30
Déploiement de bout en bout & restitution
Déployer un modèle d'IA de bout en bout et le présenter.
TP projet, déploiement, présentations, revue collective, QCM final, enquête de satisfaction.
Assessment : Évaluation sommative : modèle entraîné et déployé + QCM final.
Teaching methods and resources
In-person training at our premises or yours, in small groups. A mix of theory, hands-on workshops and practical scenarios.
16 Go de Ram recommandés (accès GPU/cloud pour certains ateliers)
- Les stagiaires doivent disposer d'un PC avec le Wifi et 16 Go de RAM recommandés ; un accès à des ressources GPU/cloud (ex. Google Colab) est prévu pour les ateliers d'entraînement.
- Effectif adapté au format école / centre de formation.
- Parcours dédié aux écoles et centres de formation, établi sur devis.
Assessment methods
Learning outcomes are assessed during and at the end of the training; an attendance certificate is given to every learner.
Accessibility for people with disabilities
Training accessible to people with disabilities. Contact us before registering so we can study the adjustments needed.
Funding
Quote or training agreement on request. Qualiopi certification is being prepared: eligibility for OPCO funding will open once it is obtained.
Certification audit planned for T1 2027. No OPCO eligibility before it is obtained.