Deep Learning & LLM Ops

Jour 1 : Fondements & Écosystème PyTorch Core

• Le virage technologique :
  • Pourquoi PyTorch a détrôné TensorFlow en 2026.
• Architecture PyTorch :
  • Tensors, Autograd, et graphes dynamiques.
• Construction de réseaux :
  • Du Perceptron Multi-Couches (MLP) aux optimiseurs modernes (AdamW, Lion).
• Atelier :
  • Création d’un premier moteur de prédiction robuste.

Jour 2 : Vision par Ordinateur & Transfer Learning

• Architectures CNN :
  • De ResNet aux Vision Transformers (ViT).
• Optimisation :
  • Techniques avancées de régularisation et de data augmentation.
• Transfer Learning :
  • Réutiliser et adapter des modèles pré-entraînés pour des cas d’usage métiers.
• Atelier :
  • Classification d’images complexes avec une précision industrielle.

Jour 3 : L’Ère des Transformers & NLP Moderne

• Mécanisme d’Attention :
  • Comprendre la révolution du « Self-Attention ».
• Architectures LLM :
  • Analyse profonde de Llama 3 et Mistral.
• Tokenisation & Embeddings :
  • Préparer les données textuelles pour la haute performance.
• Atelier :
  • Construction d’un pipeline de traitement de texte intelligent.

Jour 4 : GenAI, RAG & Fine-Tuning Avancé

• Retrieval Augmented Generation (RAG) :
  • Connecter l’IA aux données privées de l’entreprise.
• Fine-Tuning efficace :
  • Maîtriser LoRA, QLoRA et PEFT pour adapter des modèles géants à moindre coût.
• Modèles de Diffusion :
  • Introduction à la génération d’images et de contenus.
• Atelier :
  • Création d’un agent conversationnel expert sur vos propres documents.

Jour 5 : AISecOps, Éthique & Mise en Production

• Sécurité de l’IA :
  • Parer les injections de prompts et sécuriser les API (OWASP Top 10 for LLM).
• Déploiement Industriel :
  • TorchServe, ONNX et intégration dans des pipelines CI/CD.
• Optimisation :
  • Quantization (4-bit/8-bit) pour réduire les coûts d’infrastructure.
• Projet Final « The Sentience » :
  • Déploiement d’un agent IA complet, audité et sécurisé.

Evaluation et fin de session

• La session se clôture par une épreuve de validation des acquis (QCM post-TP) réalisée en environnement réel.La réussite de cet examen permet l’obtention de votre badge de certification DNDA.

Profil Formateur : Tristan P

• cybersécurité et expert Python.
  • Spécialiste du scripting sécurisé, il possède une maîtrise avancée de l’automatisation des processus au sein d’infrastructures critiques.Il apporte une vision « SecOps » indispensable à travers une expertise pratique éprouvée dans les environnements applicatifs et industriels (OT) de grande envergure.

Autres formations complémentaires

Pour construire votre parcours d’expertise, dndagency vous suggère les modules suivants :

• Module 2 : Data Mining & Machine Learning avec Python
• Module 3 : Deep Learning & LLM Ops (Large Language Models Operations)
• Module 4 : Encrypted Traffic Analytics (ETA)
• Module 5 : Python pour l’Automatisation (Scripting expert)

Profil Formateur : Alban.V

• Le module est animé par Alban V., praticien-formateur confirmé et Expert Data Scientist. Ingénieur spécialisé en intelligence artificielle, il met à profit sa solide expérience dans le déploiement de modèles prédictifs et sa maîtrise des architectures de données complexes. Son expertise pratique est éprouvée au sein d’environnements de haute précision et de systèmes industriels (OT), garantissant la mise en œuvre de modèles robustes et exploitables sur le terrain.