Contexte
Former des publics adultes aux technologies Data et IA avec des niveaux très différents, depuis l’état de l’art jusqu’aux travaux pratiques Python, Machine Learning et Deep Learning.
Retour aux projets
AJC / TRAINING · AI · DATA · PYTHON
AJC — Formation IA, Data & Python
Conception et animation de formations techniques pour adultes autour de l’intelligence artificielle, du Machine Learning, de Python, de la Data et du Deep Learning. Les cours combinent supports visuels, exercices, démonstrations et notebooks accessibles directement dans Google Colab.
VUE D’ENSEMBLE
Comprendre la mission
Objectif
Rendre des concepts parfois abstraits suffisamment concrets pour être compris, expérimentés puis réutilisés dans un contexte professionnel.
Notre rôle
Préparer les programmes, supports, exercices et démonstrations, animer les sessions et construire un environnement pédagogique GitHub → Colab évitant toute installation locale aux apprenants.
Résultat
Un corpus de formations mêlant théorie, visualisation et pratique : IA, statistiques, Python scientifique, ML, Deep Learning, Big Data, finance et usages récents de l’IA générative.
SUPPORT PÉDAGOGIQUE
Une carte visuelle pour relier les familles de l’IA
Cette carte Excalidraw sert de support de synthèse pour replacer les principaux modèles dans une vision d’ensemble : ML paramétrique et non paramétrique, réseaux de neurones, Transformers, CNN, RNN, auto-encodeurs, GANs, reinforcement learning, clustering, arbres, SVM et méthodes d’ensemble.
REPÈRES
Une pédagogie orientée pratique
DÉTAILS
Conception des formations et mise en pratique
Le dossier fourni est volontairement représentatif : il contient plusieurs programmes et quelques exemples de codes, mais pas l’ensemble des repos GitHub utilisés pendant les cours.
PROGRAMMES · PARCOURS
De l’état de l’art aux parcours Data longs
- État de l’art de l’IA : 2 jours / 14 heures, usages, ML, Deep Learning, cycle de vie Data, éthique et cas pratiques.
- Machine Learning — état de l’art : 2 jours / 14 heures, démarche projet, algorithmes, usages et critères de réussite.
- Big Data — Python pour l’analyse de données : 3 jours / 21 heures, écosystème scientifique, préparation, modélisation et évaluation.
- Deep Learning — fondamentaux : 3 jours / 21 heures, réseaux de neurones, gradient, rétropropagation et CNN.
- Programmes plus larges allant jusqu’à 36 jours / 252 heures et 56 jours / 392 heures, dans lesquels Python, Data, ML et projets fil rouge prennent place.
PYTHON · DATA · ML
Des notebooks conçus pour apprendre en manipulant
- Exercices sur NumPy, SciPy, pandas, Matplotlib, Seaborn et scikit-learn.
- Exploration de données, statistiques descriptives, séries temporelles et visualisation.
- Travaux pratiques de classification avec arbres de décision et jeu de données Iris.
- Régressions, nettoyage de données, préparation de variables et évaluation de modèles.
- Initiation à la programmation parallèle avec threading et multiprocessing.
GITHUB · COLAB
Supprimer la friction technique pour les apprenants
- Création d’un repository GitHub associé à chaque cours.
- Ouverture directe des notebooks dans Google Colab afin de ne rien installer sur le poste de l’apprenant.
- Supports mêlant explications, code live, exercices à compléter et corrigés.
- Progression adaptée à des adultes en formation professionnelle, avec QCM, TP, TD et mises en situation selon les parcours.
- Possibilité de reprendre les notebooks après la session pour continuer à expérimenter de manière autonome.
MASTER FINANCE · GENAI
Relier Data financière, Python et IA générative
- TP autour de données Bitcoin récupérées via Yahoo Finance avec
yfinance. - Préparation et visualisation des séries avec pandas, Matplotlib et Seaborn.
- Construction d’un exercice progressif : version TODO, correction et variantes de travail.
- Appel à une API LLM pour analyser les tendances et discuter des limites d’une prévision générée à partir de données historiques.
- Travail sur la formulation du prompt et sur le choix de méthodes statistiques ou ML plus adaptées à la prévision.
VISUALISATION · TRANSMISSION
Donner une vision d’ensemble avant d’entrer dans les modèles
- Création de cartes Excalidraw pour organiser visuellement les familles d’algorithmes et leur évolution.
- Mise en relation des approches paramétriques, non paramétriques et réseaux de neurones.
- Positionnement des architectures CNN, RNN, Transformers, auto-encodeurs, GANs et reinforcement learning.
- Usage du visuel comme fil conducteur pour passer de la culture générale IA aux travaux pratiques techniques.
STACK PÉDAGOGIQUE
Outils & technologies mobilisés
- Python
- Jupyter Notebook
- Google Colab
- GitHub
- NumPy
- SciPy
- pandas
- Matplotlib
- Seaborn
- scikit-learn
- Machine Learning
- Deep Learning
- OpenAI API
- yfinance
- Excel
- Excalidraw