- Bilingue: en français et en anglais.

A la fin de cette formation, l’apprenant sera capable de

• Comprendre les principes fondamentaux de l'IA et de l'apprentissage automatique
•  Acquérir une connaissance profonde des concepts de base: algorithmes, modèles, et techniques d'apprentissage supervisé, non supervisé, et par renforcement.
• Analyser et prétraiter les données : Savoir comment collecter, nettoyer, et préparer des ensembles de données pour l'entraînement des modèle ( gestion des données manquantes,  normalisation, ...)
• Développer des modèles prédictifs efficaces : choisir, entraîner, et évaluer des modèles pour des tâches spécifiques, telles que la classification, la régression, ou le clustering.
• Interpréter les résultats des modèles d'IA : Apprendre à analyser les performances des modèles, comprendre les métriques d'évaluation, et être capable d'expliquer les résultats de manière compréhensible.
• Assurer l'éthique et la responsabilité dans l'utilisation de l'IA : Comprendre les implications éthiques et sociétales de l'IA, y compris les biais dans les algorithmes et la protection de la vie privée.
• Comprendre le principe des architectures avancées : Explorer des architectures complexes comme les réseaux de neurones profonds (deep learning) et les réseaux neuronaux convolutifs (CNN), et leur application à des tâches spécifiques.
• Appliquer l'IA à des cas d'usage réels : Développer des solutions basées sur l'IA pour résoudre des problèmes concrets dans divers domaines tels que la finance, la santé, le marketing, ou les transports.
• S'exercer avec les outils de développements  et de déploiement des modèles  IA   : des frameworks populaires comme TensorFlow, PyTorch, ou Scikit-learn 

-