Note : Toutes les séances seront réalisées sur Google Colab — aucune installation requise. Les étudiants auront seulement besoin d’un compte Google et d’un navigateur web.

Séance 1 : Introduction à Python (Google Colab)

• Prise en main de Google Colab
• Premier programme : "Hello World"
• Variables et types de données (int, float, str, bool)
• Opérateurs arithmétiques et logiques
• Input / Output et conversion de types

Séance 2 : Structures conditionnelles

• if, elif, else : prise de décisions
• Opérateurs de comparaison
• Conditions multiples (and, or, not)
• Conditions imbriquées
• Mini-projet : Calculatrice simple

Séance 3 : Boucles et itérations

• Boucle for et while
• range(), break, continue
• Boucles imbriquées
• Manipulation d’itérations
• Mini-projet : Tables de multiplication

Séance 4 : Fonctions

• Définition et appel de fonctions
• Paramètres et arguments
• Return et valeurs de retour
• Portée des variables (scope)
• Fonctions lambda

Séance 5 : Structures de données

• Listes : création et méthodes
• Tuples et immuabilité
• Dictionnaires : clés-valeurs
• Sets et unicité des données
• Compréhensions de listes

Séance 6 : Programmation Orientée Objet — Partie 1

• Introduction aux classes et objets
• Attributs et méthodes
• Constructeur __init__
• Création de classes simples
• Exercices pratiques

Séance 7 : Programmation Orientée Objet — Partie 2

• Héritage
• Polymorphisme
• Encapsulation
• Méthodes spéciales
• Mini-projet orienté objet

Séance 8 : Création d’une application web avec Streamlit

• Introduction à Streamlit
• Création d’interfaces interactives
• Widgets et interaction utilisateur
• Connexion logique Python ↔ Interface
• Création d’une application web complète

Séance 9 : Présentation des projets des étudiants

• Présentation des projets réalisés
• Démonstrations pratiques
• Feedback et amélioration
• Évaluation finale
• Remise des attestations

Séance 1 : Introduction au Machine Learning — CPU, GPU & Tensors

• Présentation du cours et de l'environnement Google Colab
• Différence CPU vs GPU — quand et pourquoi utiliser le GPU
• Introduction aux tenseurs (tensors) : création, formes, opérations de base
• Exemples pratiques dans Colab (PyTorch & manipulation de tensors)

Séance 2 : Apprentissage supervisé — Régression linéaire & Descente de gradient

• Concepts d'apprentissage supervisé
• Régression linéaire : formulation mathématique
• Fonction de coût et descente de gradient
• Implémentation pas à pas sur Colab

Séance 3 : Régression non-linéaire & Classification binaire

• Régression polynomiale et modèles non-linéaires
• Introduction à la classification binaire (sigmoid, logistic loss)
• Évaluation : accuracy, precision, recall, courbe ROC
• Exemples pratiques et mini-projets dans Colab

Séance 4 : Deep Learning fondamental

• Perceptron et neurone artificiel
• Réseaux multi-couches (MLP) et fonctions d'activation
• Propagation avant et rétropropagation
• Construction et entraînement simple sur Colab

Séance 5 : Deep Learning — Réseaux de neurones avec PyTorch

• Introduction à PyTorch (tensors, autograd)
• Définir des modèles avec nn.Module
• Optimiseurs, boucle d'entraînement, sauvegarde de modèle
• Tutoriel pas à pas dans Colab

Séance 6 : Classification multi-classe avec le Deep Learning

• Softmax et cross-entropy pour multi-classes
• Architecture adaptée pour classification multi-classe
• Métriques et analyse d'erreurs
• Exemple pratique : dataset multiclasses dans Colab

Séance 7 : Pré-traitement des données (Data Cleaning)

• Traitement des valeurs manquantes
• Détection et suppression des doublons
• Normalisation et standardisation
• Encodage : One-Hot Encoding & Label Encoding
• Exercices pratiques sur jeux de données réels dans Colab

Séance 8 : Techniques avancées — Régularisation & Optimisation

• Régularisation L1 / L2, Dropout, Batch Normalization
• Techniques d'optimisation : SGD, Momentum, Adam, RMSprop
• Stratégies pour éviter le sur/apprentissage (early stopping, data augmentation)
• Expérimentations et comparaisons dans Colab

Séance 9 : Présentation des projets finaux des étudiant·e·s

• Soutenance des projets réalisés durant la formation
• Démo live depuis Google Colab
• Feedback, notes et prochaines étapes
• Remise des certificats

LLM & Transformers Course (1 mois • 16h • 8 sessions)

Méthode : cours + démonstrations en Colab + exercices pratiques. Chaque session contient un mini-exercice/TP exécuté dans Google Colab.

📚 Semaine 1 — Fondations

• Session 1 — ML, DL et NLP
  • Rappels Machine Learning & Deep Learning (intuitif)
  • Introduction au NLP : tâches et corpus
  • Exercice Colab : pipeline simple de classification binaire (prétraitement + modèle baseline)
• Session 2 — Architecture des Transformers
  • Encoder vs Decoder (BERT vs GPT) — principes
  • Self-attention, multi-head attention, positional encodings
  • Exercice Colab : visualiser l’attention sur un exemple de phrase et analyser les embeddings

📚 Semaine 2 — Modèles pré-entraînés et génération

• Session 3 — BERT et variantes
  • Fonctionnement de BERT et modifications (RoBERTa, DistilBERT…)
  • Cas d'usage : QA, NER, classification
  • Exercice Colab : fine usage d’un modèle BERT pour QA / NER
• Session 4 — GPT et modèles de génération
  • Architecture autoregressive (GPT) et paramètres de génération (température, top-k, top-p)
  • Design de prompts et bonnes pratiques
  • Exercice Colab : tests de prompts pour génération (rédaction, paraphrase, traduction)

📚 Semaine 3 — Embeddings & RAG

• Session 5 — Embeddings & recherche sémantique
  • Principe des embeddings et mesures de similarité (cosine)
  • Indexation et recherche sémantique sur corpus
  • Exercice Colab : construire un index simple d’embeddings et faire des requêtes
• Session 6 — RAG (Retrieval-Augmented Generation)
  • Concept RAG : pipeline retrieval → augmentation → génération
  • Composants : création d’embeddings, base de données vectorielle, prompt assembly
  • Exercice Colab : implémenter un mini-RAG basique (index local + génération)

📚 Semaine 4 — Cas avancés & Projet

• Session 7 — Cas d'étude avancés & bonnes pratiques
  • Choix d’architecture selon le besoin (QA, résumé, assistants)
  • Éthique, biais, confidentialité des données et coût de calcul
  • Exercice Colab : analyser un cas réel et proposer une architecture
• Session 8 — Projet final (préparation & présentation)
  • Consignes du projet individuel (ex : chatbot RAG, moteur de recherche sémantique, assistant Q&A)
  • Pipeline attendu : data → embeddings → index → prompts → interface (demo Colab)
  • Livrables : notebook Colab fonctionnel + README + courte démonstration