Master en Intelligence artificielle appliquée

Apprenez à créer des solutions IA à impact réel : ML, Deep Learning et GenAI, avec une approche responsable et orientée métier.

Présentation

Programme très pratique pour construire des systèmes IA de bout en bout : préparation des données, entraînement, évaluation, déploiement et gouvernance. Inclut MLOps, éthique, confidentialité et cas d’usage entreprise.

Plan d’études (Cours / Modules)

• Préparer les données et entraîner des modèles supervisés/non supervisés.

• Évaluer les modèles avec métriques et validation rigoureuse.

• Appliquer le Deep Learning et des techniques modernes.

• Construire des applications GenAI/LLMs de façon responsable.

• Déployer et monitorer les modèles avec MLOps.

Pour qui

• Professionnels souhaitant appliquer l’IA à leur secteur.

• Devs/data engineers qui passent vers ML/MLOps.

• Analystes voulant construire des modèles et produits intelligents.

Compétences visées

• M1 — Foundations: Python, Data & AI Mindset

  Python pour la data, exploration, nettoyage et bases IA.

  Thèmes : notebooks · EDA · pipelines data

• M2 — Machine Learning Fundamentals

  Modèles classiques, features, validation et métriques.

  Thèmes : régression/classification · overfitting · cross-validation

• M3 — Data Engineering for AI

  Préparation data à l’échelle, qualité et traçabilité.

  Thèmes : ETL · versioning des données · feature stores (intro)

• M4 — Deep Learning & Neural Networks

  Réseaux neuronaux et entraînement efficace.

  Thèmes : CNN/RNN (selon focus) · régularisation · optimisation

• M5 — Natural Language Processing (NLP)

  Traitement du langage et méthodes modernes.

  Thèmes : embeddings · transformers (intro) · évaluation NLP

• M6 — Generative AI & LLM Applications

  Apps LLM : prompting, RAG, outils et guardrails.

  Thèmes : RAG · évaluation · sécurité & hallucinations

• M7 — Responsible AI: Ethics, Privacy & Governance

  Biais, explicabilité, conformité et conception responsable.

  Thèmes : fairness · confidentialité · audit & documentation

• M8 — MLOps: Deployment, Monitoring & Lifecycle

  Cycle de vie ML : déploiement, monitoring, drift, réentraînement.

  Thèmes : CI/CD ML · model registry · métriques

• M9 — Projet de fin d’études (Capstone)

  Solution IA sur un cas réel, avec livraison et démo.

  Livrables : dataset/expériences · modèle · déploiement · rapport

• Nombre de places: 25