Cours complet : Intelligence Artificielle avec Python
Cours 1 : Introduction à l’IA - Définition : IA = systèmes capables d’accomplir des tâches nécessitant
l’intelligence humaine. - Sous-domaines : - Machine Learning (ML) - Deep Learning (DL) - Traitement du
langage naturel (NLP) - Vision par ordinateur - Applications : chatbots, reconnaissance faciale,
recommandations, voitures autonomes
Exercice : identifier des exemples d’IA dans votre vie quotidienne.
Cours 2 : Python pour l’IA - Variables, types, opérateurs - Boucles et conditions - Fonctions et modules -
Listes, dictionnaires, tuples - Bibliothèques : NumPy, Pandas, Matplotlib, Seaborn
Exercice : manipuler un petit dataset (Iris ou MNIST) et afficher quelques statistiques.
Cours 3 : Mathématiques pour l’IA - Statistiques : moyenne, variance, corrélation - Probabilités :
notions de base - Algèbre linéaire : vecteurs, matrices, produit matriciel - Notions de dérivées et
gradients
Exercice : calculer manuellement et avec NumPy moyenne et corrélation d’un dataset.
Cours 4 : Machine Learning avec Python - Bibliothèque : scikit-learn - Concepts : données → features
et labels, train/test split - Algorithmes : - Régression linéaire et logistique - k-Nearest Neighbors - Arbres
de décision, Random Forest - k-means (clustering)
Exercice : classifier les fleurs Iris et calculer la précision.
Cours 5 : Deep Learning - Bibliothèques : TensorFlow, Keras, PyTorch - Concepts : - Réseaux de
neurones artificiels (Perceptron) - Fonctions d’activation : ReLU, Sigmoid, Softmax - Fonction de perte et
optimisation (Gradient Descent)
Exercice : créer un réseau simple pour reconnaître les chiffres MNIST.
Cours 6 : Applications pratiques - Vision par ordinateur : CNN pour images - Traitement du langage :
NLP avec RNN, LSTM, Transformers - Projets simples : - Chatbot basique - Système de recommandation -
Prédiction de prix ou de notes
Exercice : créer un mini-projet utilisant un dataset réel.
Cours 7 : Déploiement et interfaces - Streamlit / Flask pour créer des applications interactives - Google
Colab pour tester des modèles - Création d’un mini-portfolio de projets
1
Exercice : déployer un modèle simple dans une interface web.
Ressources supplémentaires - Automate the Boring Stuff with Python - Scikit-learn Documentation -
TensorFlow/Keras Documentation - PyTorch Tutorials - Google Colab
