Data Science et IA appliquée : Techniques fondamentales et avancées

• Développeurs
• Informaticiens
• Collaborateurs

• 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

Partie 1 : 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

Partie 2 : Choisir son model 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 simple
  • 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

Partie 3 : 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

Partie 4 : 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
• Utilisation d'un Agent REACT

Une attestation de participation sera transmise aux participants