Python, Machine Learning, Deep Learning, LLM & Vibe Codin

Description

Cette formation de 60 heures mène les participants de zéro en Python jusqu’aux applications d’IA générative : Machine Learning, Deep Learning, LLM, RAG, agents, et développement assisté par IA (Vibe Coding). Elle est 100 % pratique, avec un projet fil rouge et un projet final à présenter dans un portfolio.

Programme

🤖 Formation IA : Python, Machine Learning, Deep Learning, LLM & Vibe Coding

Formateur : Mohamed Amine Mezghich, SIP Academy

🎯 Présentation

Cette formation de 60 heures mène les participants de zéro en Python jusqu’aux applications d’IA générative : Machine Learning, Deep Learning, LLM, RAG, agents, et développement assisté par IA (Vibe Coding). Elle est 100 % pratique, avec un projet fil rouge et un projet final à présenter dans un portfolio.

👥 Public visé

Étudiants, développeurs, ingénieurs, analystes de données et professionnels en reconversion souhaitant se former à l’IA et construire des applications intelligentes.

📋 Prérequis

Aucun prérequis en Python. Des notions de logique de programmation et un niveau de mathématiques de base sont conseillés.

✅ Objectifs

• Maîtriser Python et les bibliothèques de data science (NumPy, Pandas, Matplotlib)
• Concevoir et évaluer des modèles de Machine Learning avec scikit-learn
• Construire des réseaux de neurones (CNN, RNN, Transformers) avec PyTorch ou TensorFlow
• Comprendre le fonctionnement des LLM et maîtriser le prompt engineering
• Développer des applications LLM : RAG, agents et appels d’API
• Utiliser le Vibe Coding pour accélérer le développement tout en gardant un code fiable
• Réaliser un projet IA complet, du modèle au déploiement

📚 Programme détaillé (12 sections × 5h = 60h)

🐍 Section 1 : Python, les fondamentaux (5h)

Installation et environnement (Jupyter, VS Code), variables, types, structures de contrôle, listes, dictionnaires, sets, fonctions.
🧪 TP : petits programmes et exercices de logique.

🧱 Section 2 : Python avancé (5h)

Programmation orientée objet, modules et packages, gestion des fichiers et des exceptions, environnements virtuels, consommation d’API REST, JSON.
🧪 TP : script qui récupère et traite des données depuis une API.

🔢 Section 3 : NumPy et Pandas (5h)

Tableaux NumPy, opérations vectorisées, DataFrames Pandas, nettoyage de données, valeurs manquantes, jointures, agrégations.
🧪 TP : nettoyage et préparation d’un jeu de données réel.

📊 Section 4 : Visualisation et analyse exploratoire (5h)

Matplotlib, Seaborn, analyse exploratoire (EDA), corrélations, statistiques descriptives, storytelling avec les données.
🧪 TP : analyse exploratoire complète d’un dataset.

🤖 Section 5 : Machine Learning supervisé (5h)

Concepts du ML, régression linéaire et logistique, k-NN, séparation train/test, métriques (accuracy, précision, rappel, F1, RMSE), overfitting et underfitting.
🧪 TP : modèles de régression et de classification avec scikit-learn.

🌳 Section 6 : Machine Learning avancé (5h)

Arbres de décision, Random Forest, Gradient Boosting, clustering (K-Means), PCA, feature engineering, validation croisée, Pipelines, optimisation des hyperparamètres.
🧪 TP : pipeline ML complet avec comparaison de modèles.

🧠 Section 7 : Deep Learning, les bases (5h)

Neurones et réseaux, fonctions d’activation, rétropropagation, descente de gradient, PyTorch ou TensorFlow/Keras, régularisation, dropout.
🧪 TP : réseau de neurones pour classifier des données tabulaires.

🖼️ Section 8 : Deep Learning avancé (5h)

CNN et vision par ordinateur, RNN et LSTM pour les séries temporelles, transfer learning, augmentation de données, entraînement sur GPU.
🧪 TP : classification d’images avec un modèle pré-entraîné.

💬 Section 9 : NLP et Transformers (5h)

Traitement du texte, tokenisation, embeddings, mécanisme d’attention, architecture Transformer, Hugging Face.
🧪 TP : analyse de sentiments et classification de texte avec un modèle Transformer.

🧬 Section 10 : LLM et Prompt Engineering (5h)

Fonctionnement des LLM, tokens et contexte, prompt engineering, sorties structurées (JSON), appels d’API, introduction au fine-tuning, limites et hallucinations, éthique et sécurité.
🧪 TP : assistant intelligent connecté à l’API d’un LLM.

🔎 Section 11 : RAG, agents et applications LLM (5h)

Embeddings et bases vectorielles, RAG (Retrieval-Augmented Generation), tool use / function calling, agents, LangChain, MCP, interfaces avec Streamlit ou FastAPI.
🧪 TP : chatbot RAG sur des documents personnels.

⚡ Section 12 : Vibe Coding et projet final (5h)

Principes du Vibe Coding, outils de développement assisté par IA (Claude Code, Cursor, GitHub Copilot), écriture de bons prompts et de spécifications, relecture, tests et sécurité du code généré, bonnes pratiques et limites, déploiement.
🏆 PROJET FINAL : application IA complète développée avec le Vibe Coding : données, modèle ou LLM, interface et déploiement.

💻 Projet fil rouge

Tout au long des 60 heures, les participants construisent progressivement une application IA, valorisable dans leur CV, leur portfolio et leurs entretiens techniques.

🛠️ Méthodologie

• Alternance entre théorie courte et travaux pratiques
• Notebooks et exercices corrigés à chaque section
• Projet fil rouge et projet final
• Suivi individuel de la progression
• Formation disponible en ligne ou en présentiel

⏱️ Durée

60 heures, réparties en 12 sections de 5 heures.

🏅 Résultat attendu

À l’issue de la formation, le participant maîtrise la chaîne complète de l’IA moderne, de Python aux LLM, sait utiliser le Vibe Coding efficacement et dispose d’un projet concret à présenter aux recruteurs.