- Certifiant
- Cours pratique
- Informatique
- Officiel
- PECB
Formation Professionnel certifié en intelligence artificielle (CAIP)
- Durée
- 5 jours
- Niveau
- Intermédiaire
- Modalités
- Présentiel / Distanciel
- Certification
- PECB Certified Artificial Intelligence Professional
Description de la formation Certification Intelligence Artificielle
PLB Consultant est partenaire officiel du PECB.
Ce partenariat nous permet de proposer les formations officielles du PECB conformément aux exigences du PECB : formateur PLB accrédité par le PECB, support de cours officiel du PECB, examen de certification PECB et unités FPC. Les sessions ont lieu chez PLB ou à distance.
Ce cours Certified Artificial Intelligence Professional (CAIP) aide les participants à acquérir les connaissances et les compétences nécessaires pour exceller dans des rôles liés à l'IA. Il couvre un large éventail de domaines, allant des concepts fondamentaux de l'IA aux applications avancées telles que le Machine Learning, le Deep Learning, le traitement du langage naturel, la robotique, la vision par ordinateur et les systèmes experts.
Il met également l'accent sur les pratiques responsables en matière d'IA, notamment la gestion des risques, l'éthique et la conformité, afin de garantir que les participants soient bien préparés à mettre en œuvre des solutions d'IA dans des scénarios réels.
Il prépare également à la certification Certified AI Professional (CAIP) de PECB.
Objectifs pédagogiques
À l'issue de cette formation, vous aurez les connaissances et compétences nécessaires pour :
- Expliquer les principes fondamentaux de l'IA et ses différentes applications.
- Effectuer des analyses de données et créer des visualisations pertinentes pour soutenir les projets d'IA.
- Appliquer des techniques de Machine Learning à des problèmes concrets, notamment l'apprentissage supervisé, non supervisé et par renforcement.
- Mettre en œuvre des réseaux neuronaux simples et des architectures de Machine Deeep avancées telles que les CNN.
- Comprendre les systèmes de traitement du langage naturel (NLP) et les méthodologies de vision par ordinateur.
- Comprendre la robotique et les systèmes experts pour l'automatisation basée sur l'IA.
- Identifier et atténuer les risques liés à l'IA tout en garantissant la conformité aux réglementations.
- Développer des stratégies d'IA éthiques alignées sur les valeurs organisationnelles et les besoins sociétaux.
- Se préparer et passer la certification PECB® Certified AI Professional.
Objectifs opérationnels
Savoir appliquer les principes de l’intelligence artificielle pour concevoir, entraîner et déployer des modèles adaptés aux besoins de l’entreprise.
Cette formation vous prépare à l'examen de certification PECB Certified Artificial Intelligence Professional (CAIP) du PECB, compris dans le tarif de la formation. Il s'agit d'un examen « à livre ouvert ».
Durée : 180 minutes. Les candidats qui passent l'examen dans une langue qui n'est pas leur langue maternelle ou leur langue de travail peuvent bénéficier d'un temps supplémentaire de 25 %, soit 188 minutes au total.
Notation : il y a 80 questions, chacune valant 1 point. Il n'y a pas de notation négative. Les candidats doivent répondre correctement à 56 questions (70 %) pour réussir l'examen.
L'examen en ligne se déroule en ligne à distance dernier jour. En cas d'échec à l'examen, vous pouvez le repasser dans les 12 mois qui suivent sans frais supplémentaires.
Programme
Contenu du cours, module par module
23 modules
- Informations générales
- Approche pédagogique
- Objectifs pédagogiques
- Examen et certification
- Intelligence artificielle (IA)
- Histoire de l'IA
- Machine Learning
- Deep Learning
- Réseaux neuronaux
- Connaissances en IA
- Informatique cognitive, sémantique et soft computing
- Systèmes d'IA
- Principes de l'IA
- Analyse des données
- Virtualisation des données
- Considérations éthiques dans l'analyse des données
- Principes de conception, théorie des couleurs et perception visuelle
- Outil populaire de visualisation des données
- Introduction à la Data Science
- Qu'est-ce que le Machine Learning ?
- Concepts clés : modèles, algorithmes et apprentissages
- Différents types de données
- Théorème « No-Free Lunch »
- Comprendre le workflow du Machine Learning
- Définition du problème et définition des objectifs
- Collecte de données
- Analyse exploratoire des données (EDA)
- Nettoyage et prétraitement des données
- Ingénierie des caractéristiques
- Modélisation et évaluation
- Déploiement et surveillance
- Types de systèmes ML
- Introduction et aperçu de l'apprentissage supervisé
- Régression linéaire
- Régression logistique
- K-Nearest Neighbors (KNN)
- Évaluation des modèles d'apprentissage supervisé
- Exploration des algorithmes de regroupement
- Apprentissage des règles d'association
- Évaluation des résultats de regroupement
- ML avancé et applications plus larges
- Introduction à l'apprentissage par renforcement et applications
- Introduction aux réseaux neuronaux
- Introduction à l'analyse des séries chronologiques
- Systèmes de recommandation
- Détection des anomalies
- Études de cas sur Machine Learning
- Pourquoi le NLP est-il important ?
- Linguistique fondamentale pour le langage naturel
- Prétraitement du texte
- Tronçonnage et lemmatisation
- Mots vides et filtrage de base
- Méthodes basées sur des règles ou méthodes statistiques
- Marquage POS
- Notions de base sur la reconnaissance d'entités nommées (NER)
- Bag of Words (BoW) et TF-IDF
- Word embeddings
- Document Embeddings
- Classification de texte et analyse des sentiments
- Biais et équité dans le NLP
- Le transformateur et le mécanisme d'attention
- Architectures encodeur, décodeur et encodeur/décodeur
- Série GPT
- Au-delà de GPT
- Innovations dans les modèles spécialisés et de raisonnement
- Ingénierie de prompt
- Traduction automatique et NLP multilingue
- IA conversationnelle et ChatGPT
- Apprentissage par renforcement à partir des commentaires humains
- Traitement du langage naturel multimodal
- Génération de texte et cas d'utilisation créatifs
- Gestion des hallucinations et des fausses informations
- Qu'est-ce que le Deep Learning ?
- Neurones, couches et fonctions d'activation
- Passage vers l’avant et rétropropagation
- Régularisation
- Initialisation et normalisation
- Optimiseurs
- Types de fonctions de perte
- Surveillance des performances
- Considérations relatives au GPU et au matériel
- Réseaux à action directe
- Perceptrons multicouches (MLP)
- Notions de base sur les réseaux neuronaux convolutifs (CNN)
- Architectures CNN courantes
- Fondements des réseaux neuronaux récurrents
- AutoML
- Réglage des hyperparamètres
- Que sont les modèles génératifs ?
- Types de modèles génératifs
- Applications des modèles génératifs
- Comprendre les auto-encodeurs
- Principes de base des réseaux antagonistes génératifs (GAN)
- Comment les GAN apprennent-ils ?
- Véhicules autonomes
- Traitement automatique du langage naturel (NLP)
- Étude de cas : progrès médicaux grâce à l'IA
- Étude de cas : les réseaux neuronaux Tesla
- Étude de cas : ChatGPT par OpenAI
- Introduction à la vision par ordinateur
- Représentation et traitement des images : notions de base
- Techniques classiques de vision par ordinateur
- Processus d'un modèle de vision par ordinateur
- Deep Learning dans la vision par ordinateur
- Sujets avancés et tendances actuelles
- Outils et frameworks pour la vision par ordinateur
- Défis et considérations éthiques
- Introduction à la robotique
- Composants clés des robots
- Cinématique et mouvement
- Perception robotique et IA
- Système d'exploitation robotique (ROS) et outils
- Applications robotiques
- Cas d'utilisation : Zebra Medical Vision et Tesla Optimus
- Défis, éthique et perspectives d'avenir
- Attaque par injection de prompts
- Divulgation d'informations sensibles
- Vulnérabilité de la chaîne d'approvisionnement
- Empoisonnement des données et des modèles
- Traitement inapproprié des résultats
- Agence excessive
- Fuite des prompts système
- Faiblesses des vecteurs et du gaufrage
- Désinformation
- Consommation énergétique
- Deepfake
- La supercherie du deepfake – étude de cas
- Conception éthique de l'IA
- Biais et équité dans l'IA
- Responsabilité, transparence et interprétabilité des modèles d'IA
- Gouvernance et stratégie en matière d'IA
- Mise en œuvre stratégique de l'IA
- Gestion et mise en œuvre de projets d'IA
- Séances de questions-réponses
- Exemples de sujets
Programme mis à jour le 23/06/2026
Public concerné
Cette formation s'adresse aux :
- Professionnels de l'IA activement impliqués dans le développement et la mise en œuvre des technologies d'IA.
- Praticiens expérimentés en IA cherchant à approfondir leurs connaissances, à se tenir informés des dernières tendances et à affiner leurs compétences en leadership.
- Data Scientists chargés de développer et d'optimiser des modèles d'IA.
- Responsables informatiques supervisant les projets et initiatives liés à l'IA au sein de leur organisation.
Prérequis
Une compréhension générale des connaissances de base en programmation est recommandée.
Il est également fortement recommandé de consulter les documents ci-dessous (liens) avant la session de formation afin de vous familiariser avec les concepts clés et de tirer le meilleur parti de la session :
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
Formations liées
- Reconnaissance d'Image à l'aide de l'Intelligence Artificielle (Computer Vision)Réf. ICVI1 jourFondamentalProchaine session : 3 déc.950 €
- TensorFlow : Analyse d'images avec TensorFlowRéf. AITF3 joursIntermédiaire
- TinyML : Introduction au Machine Learning EmbarquéRéf. TINY3 joursIntermédiaireProchaine session : 19 oct.2 090 €
- Deep Learning : les fondamentauxRéf. ADLP3 joursIntermédiaireProchaine session : 7 déc.2 090 €