11 documents tagués avec "Intelligence Artificielle"

Cette fiche pose le vocabulaire et les grandes idées de l'IA, puis renvoie aux meilleures ressources conceptuelles pour approfondir. L'objectif : avoir le cadre mental avant de plonger dans la technique.

Le deep learning est la branche du ML qui a fait exploser les performances de l'IA depuis 2012 et qui est derrière presque toute l'IA moderne (vision, langage, IA générative). Cette fiche explique l'idée des réseaux de neurones et pointe vers LA ressource visuelle qui les rend intuitifs — un pont parfait entre tes maths et l'IA.

C'est la fiche la plus pertinente pour ton profil : l'intersection de tes deux spécialités. L'IA et la cybersécurité s'entremêlent de trois façons distinctes qu'il faut bien séparer — c'est un domaine en pleine explosion, où la demande de profils qui maîtrisent les deux est énorme.

Ce topic n'est pas un cours figé mais un hub de ressources : l'IA évolue trop vite pour qu'un texte reste à jour, alors on rassemble ici les meilleures ressources externes, organisées en un parcours cohérent, avec des repères pour s'y retrouver. Les fiches suivantes approfondissent chaque grande brique (concepts fondamentaux, machine learning, deep learning, LLM, IA et sécurité).

L'IA générative — capable de créer du texte, des images, du code — est la vague actuelle, et les grands modèles de langage (LLM) en sont la pièce maîtresse. Cette fiche explique ce qu'ils sont, comment ils fonctionnent en gros, et où approfondir. C'est aussi l'IA que tu utilises directement (comme cet assistant).

Le machine learning (apprentissage automatique) est le cœur de l'IA moderne : faire apprendre une machine à partir de données. Cette fiche présente les grandes familles d'algorithmes (en t'appuyant sur tes stats) et les ressources pour pratiquer.

NumPy (2006, héritier de Numeric/Numarray) est la fondation de tout l'écosystème scientifique Python — Pandas, scikit-learn, PyTorch reposent tous dessus, directement ou dans leur philosophie. Son apport central : le ndarray, un tableau multidimensionnel homogène et des opérations vectorisées bien plus rapides que des boucles Python pures.

Pandas (2008) construit par-dessus NumPy deux structures pensées pour manipuler des données tabulaires et hétérogènes (comme un tableur ou une table SQL) : la Series (une colonne) et le DataFrame (un tableau 2D avec des colonnes typées indépendamment, et des index nommés).

PyTorch (2016, Meta AI) est aujourd'hui le framework de deep learning dominant en recherche, et de plus en plus en production. Son idée centrale : manipuler des réseaux de neurones avec des tenseurs proches de NumPy, mais qui savent calculer automatiquement leurs propres gradients (autograd) — le mécanisme qui rend l'entraînement par rétropropagation possible sans dériver les formules à la main.

scikit-learn (2007) est la bibliothèque de référence pour le machine learning classique en Python — par opposition au deep learning (PyTorch, TensorFlow/Keras). Régression, classification, clustering, réduction de dimension : scikit-learn couvre les algorithmes "traditionnels" (arbres de décision, forêts aléatoires, SVM, k-means...) avec une API unifiée qui rend les modèles interchangeables.

TensorFlow (2015, Google) est l'autre grand framework de deep learning, historiquement dominant en production/industrie face à PyTorch, plus présent en recherche. Depuis TensorFlow 2, Keras est son API officielle de haut niveau — au point que, dans la pratique quotidienne, on écrit surtout du Keras, TensorFlow restant le moteur de calcul en dessous.