Programmation R – Introduction et tidyverse

Accueil des participants, présentation du programme et des objectifs pédagogiques. État des lieux des connaissances et attentes individuelles.

Algorithmes fondamentaux : régression linéaire/logistique, arbres de décision, forêts aléatoires, SVM. Évaluation des performances.

Collecte, nettoyage et transformation des données. Analyse exploratoire (EDA), visualisation et feature engineering.

Définitions, histoire et cas d’usage de l’IA. Types d’apprentissage : supervisé, non supervisé, par renforcement. Panorama des outils et frameworks.

Transformers, GPT, BERT. Prompt engineering, RAG (Retrieval-Augmented Generation). Déploiement et éthique de l’IA.

Perceptrons, réseaux convolutifs (CNN), réseaux récurrents (RNN/LSTM). Transfer learning et fine-tuning.

Récapitulatif des acquis de la formation. Conseils pour approfondir et prochaines étapes. Préparation à la certification le cas échéant.