Plan d'apprentissage de l'IA

Introduction : --- Phase 1 : Consolider les fondations (2-3 mois) Concepts fondamentaux : Types d'IA : Article : "Types of Artificial Intelligence" sur IBM Cloud Learn Hub : https://w

**Introduction :** --- **Phase 1 : Consolider les fondations (2-3 mois)** - **Concepts fondamentaux :** - **Types d'IA :** - [x] **Article :** "Types of Artificial Intelligence" sur IBM Cloud Learn Hub : [https://www.ibm.com/cloud/learn/what-is-artificial-intelligence](https://www.ibm.com/cloud/learn/what-is-artificial-intelligence) (anglais, clair et concis). - [ ] **Vidéo :** "Artificial Intelligence - What is AI? How does it work?" par Simplilearn (anglais, introduction générale) : [https://www.youtube.com/watch?v=2e9s1LJq7pM](https://www.youtube.com/watch?v=2e9s1LJq7pM) - [x] **Article :** "Distinguishing Between Weak AI, Strong AI, and Super AI" sur Built In : [https://builtin.com/artificial-intelligence/weak-vs-strong-ai](https://builtin.com/artificial-intelligence/weak-vs-strong-ai) (anglais, focus sur les différences). - **Apprentissage automatique (Machine Learning) :** - [ ] **Article :** "What is Machine Learning?" sur Google AI : [https://ai.google/education/](https://ai.google/education/) (anglais, introduction claire de Google). - [ ] **Vidéo :** "Machine Learning Crash Course with TensorFlow APIs" par Google Developers (anglais, cours intensif, mais les premières vidéos sont accessibles) : [https://developers.google.com/machine-learning/crash-course](https://developers.google.com/machine-learning/crash-course) - [ ] **Article :** "Supervised vs. Unsupervised Learning" sur Analytics Vidhya : [https://www.analyticsvidhya.com/blog/2021/06/supervised-vs-unsupervised-learning-in-machine-learning/](https://www.analyticsvidhya.com/blog/2021/06/supervised-vs-unsupervised-learning-in-machine-learning/) (anglais, comparaison détaillée). - **Traitement du langage naturel (NLP) :** - [ ] **Article :** "Natural Language Processing (NLP)" sur MonkeyLearn : [https://monkeylearn.com/natural-language-processing/](https://monkeylearn.com/natural-language-processing/) (anglais, introduction générale avec exemples). - [ ] **Vidéo :** "Natural Language Processing (NLP) - A Practical Introduction" par freeCodeCamp.org (anglais, introduction pratique avec exemples de code) : [https://www.youtube.com/watch?v=xvqsFTUsOmc](https://www.youtube.com/watch?v=xvqsFTUsOmc) - [ ] **Article :** "A Comprehensive Guide to Natural Language Processing (NLP)" sur Analytics Vidhya : [https://www.analyticsvidhya.com/blog/2021/09/a-comprehensive-guide-to-natural-language-processing-nlp/](https://www.analyticsvidhya.com/blog/2021/09/a-comprehensive-guide-to-natural-language-processing-nlp/) (anglais, guide plus approfondi). - **Biais et éthique :** - [ ] **Article :** "How to Recognize and Avoid Bias in Machine Learning" sur Harvard Business Review : [https://hbr.org/2020/01/how-to-avoid-bias-in-ai](https://hbr.org/2020/01/how-to-avoid-bias-in-ai) (anglais, perspective business). - [ ] **Article :** "Ethics Guidelines for Trustworthy AI" par la Commission européenne : [https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai](https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai) (anglais, document officiel). - [ ] **Vidéo :** "Algorithmic Bias - How does it affect us?" par Computerphile (anglais, explication claire du biais algorithmique) : [https://www.youtube.com/watch?v=7PZ1g0v3A0k](https://www.youtube.com/watch?v=7PZ1g0v3A0k) - **Outillage pratique :** - **Python :** - [ ] **Tutoriel interactif :** "Python Tutorial" sur W3Schools : [https://www.w3schools.com/python/](https://www.w3schools.com/python/) (anglais, excellent pour les débutants). - [ ] **Cours vidéo :** "Python for Beginners - Learn Python in 1 Hour" par freeCodeCamp.org : [https://www.youtube.com/watch?v=rfscVS0vtbw](https://www.youtube.com/watch?v=rfscVS0vtbw) (anglais, introduction rapide). - [ ] **Documentation officielle :** [https://docs.python.org/3/](https://docs.python.org/3/) - **Bibliothèques essentielles :** - [ ] **NumPy :** "NumPy Tutorial" sur TutorialsPoint : [https://www.tutorialspoint.com/numpy/index.htm](https://www.tutorialspoint.com/numpy/index.htm) (anglais, tutoriel complet). - [ ] **Pandas :** "10 minutes to pandas" dans la documentation Pandas : [https://pandas.pydata.org/docs/user_guide/10min.html](https://pandas.pydata.org/docs/user_guide/10min.html) (anglais, introduction rapide). - [ ] **Scikit-learn :** "Scikit-learn tutorial" sur DataCamp : [https://www.datacamp.com/community/tutorials/machine-learning-python](https://www.datacamp.com/community/tutorials/machine-learning-python) (anglais, tutoriel avec exemples concrets). - **Environnements de développement :** - [ ] **Google Colab :** [https://colab.research.google.com/](https://colab.research.google.com/) (accès direct et facile). - **Premières applications ciblées :** (Pas de ressources URL spécifiques ici, car il s'agit d'exercices pratiques à réaliser avec les outils mentionnés précédemment). --- **Phase 2 : Spécialisation et applications avancées (3-4 mois)** - **Approfondissement des algorithmes :** - **Régression linéaire et logistique :** - [ ] **Article :** "Linear Regression for Machine Learning" sur Machine Learning Mastery : [https://machinelearningmastery.com/linear-regression-for-machine-learning/](https://machinelearningmastery.com/linear-regression-for-machine-learning/) (anglais, explication claire avec code). - [ ] **Vidéo :** "StatQuest: Linear Models Pt.1 - Linear Regression" par StatQuest with Josh Starmer (anglais, explications visuelles et intuitives) : [https://www.youtube.com/watch?v=nk2CQITm_eo](https://www.youtube.com/watch?v=nk2CQITm_eo) - [ ] **Article :** "Logistic Regression for Machine Learning" sur Machine Learning Mastery : [https://machinelearningmastery.com/logistic-regression-for-machine-learning/](https://machinelearningmastery.com/logistic-regression-for-machine-learning/) - **Arbres de décision et forêts aléatoires :** - [ ] **Article :** "Decision Tree Algorithm Explained" sur Towards Data Science : [https://towardsdatascience.com/decision-tree-algorithm-explained-9b3c8c2c5aef](https://towardsdatascience.com/decision-tree-algorithm-explained-9b3c8c2c5aef) (anglais, explication détaillée). - [ ] **Vidéo :** "Decision Trees in Machine Learning" par Krish Naik (anglais, avec implémentation en Python) : [https://www.youtube.com/watch?v=7VeUPuFGJHk](https://www.youtube.com/watch?v=7VeUPuFGJHk) - [ ] **Article :** "Random Forest Algorithm Explained" sur Towards Data Science : [https://towardsdatascience.com/random-forest-algorithm-explained-8c1b1f6c8aa7](https://towardsdatascience.com/random-forest-algorithm-explained-8c1b1f6c8aa7) - **Machines à vecteurs de support (SVM) :** - [ ] **Article :** "Support Vector Machines — Simplified" sur Towards Data Science : [https://towardsdatascience.com/support-vector-machines-simplified-3d3e8e8d4c70](https://towardsdatascience.com/support-vector-machines-simplified-3d3e8e8d4c70) (anglais, introduction simplifiée). - [ ] **Vidéo :** "Support Vector Machines (SVM)" par StatQuest with Josh Starmer (anglais, explications visuelles et intuitives) : [https://www.youtube.com/watch?v=efR1wj8rksM](https://www.youtube.com/watch?v=efR1wj8rksM) - **Bases des réseaux neuronaux :** - [ ] **Article :** "A Step by Step Introduction to Neural Networks" sur Towards Data Science : [https://towardsdatascience.com/a-step-by-step-introduction-to-neural-networks-9c9f5b2f4e7a](https://towardsdatascience.com/a-step-by-step-introduction-to-neural-networks-9c9f5b2f4e7a) (anglais, introduction progressive). - [ ] **Vidéo :** "Neural Networks Demystified [Part 1: Data and Architecture]" par Welch Labs (anglais, excellent pour visualiser le fonctionnement) : [https://www.youtube.com/watch?v=0oG2FjJbA7o](https://www.youtube.com/watch?v=0oG2FjJbA7o) - **NLP avancé :** - **Word embeddings (Word2Vec, GloVe) :** - [ ] **Article :** "Word Embeddings: Explaining Word2Vec" sur Towards Data Science : [https://towardsdatascience.com/word-embeddings-explaining-word2vec-7f9f3c5e6b8](https://towardsdatascience.com/word-embeddings-explaining-word2vec-7f9f3c5e6b8) (anglais, explication de Word2Vec). - [ ] **Article :** "GloVe: Global Vectors for Word Representation" (article original) : [https://nlp.stanford.edu/projects/glove/](https://nlp.stanford.edu/projects/glove/) (anglais, plus technique). - [ ] **Vidéo :** "Word2Vec Explained!" par CodeEmporium (anglais, explication visuelle et concise) : [https://www.youtube.com/watch?v=OaV7qK9R8EI](https://www.youtube.com/watch?v=OaV7qK9R8EI) - **Modèles de langage pré-entraînés (Transformers) :** - [ ] **Article :** "The Illustrated Transformer" par Jay Alammar (anglais, excellente visualisation du fonctionnement des Transformers) : [http://jalammar.github.io/illustrated-transformer/](http://jalammar.github.io/illustrated-transformer/) - [ ] **Vidéo :** "Transformers Explained Visually!!!" par CodeEmporium (anglais, la suite de la vidéo sur Word2Vec, tout aussi claire) : [https://www.youtube.com/watch?v=Vv7z3Z6kH64](https://www.youtube.com/watch?v=Vv7z3Z6kH64) - [ ] **Documentation Hugging Face Transformers :** [https://huggingface.co/docs/transformers/index](https://huggingface.co/docs/transformers/index) - **Applications spécifiques à vos besoins :** (Ici encore, il s'agit d'orientations et d'exemples, les ressources URL seront plus pertinentes lors de la mise en œuvre concrète des projets). --- **Phase 3 : Projets concrets et veille (Continu)** - **Développement de projets personnels ambitieux :** (Même remarque que précédemment). - **Participation à des communautés et à des hackathons :** - [ ] **Kaggle :** [https://www.kaggle.com/](https://www.kaggle.com/) (anglais, plateforme de compétitions et de datasets). - [ ] **Meetup :** [https://www.meetup.com/](https://www.meetup.com/) (pour trouver des groupes locaux ou en ligne). - **Lecture d'articles de recherche et de blogs spécialisés :** - [ ] **arXiv :** [https://arxiv.org/](https://arxiv.org/) (pour les prépublications d'articles scientifiques). - [ ] **Google AI Blog :** [https://ai.googleblog.com/](https://ai.googleblog.com/) - [ ] **DeepMind Blog :** [https://www.deepmind.com/blog](https://www.deepmind.com/blog) --- **Ressources complètes (complément) :** - **Livres (complément) :** - "Deep Learning" par Ian Goodfellow, Yoshua Bengio et Aaron Courville (plus théorique et mathématique). - **Chaînes YouTube recommandées :** - 3Blue1Brown (excellentes visualisations mathématiques). - Two Minute Papers (résumés d'articles de recherche). --- **Conseils supplémentaires (complément) :** - **Rechercher des implémentations open source :** Sur GitHub, par exemple, pour comprendre comment les algorithmes sont mis en œuvre en pratique. --- ![Comparaison IA, ML, Deep Learning, Gen AI](https://www.ibm.com/content/dam/connectedassets-adobe-cms/worldwide-content/creative-assets/s-migr/ul/g/39/1f/diagram-comparing-ai-ml-deep-learning-gen-ai.png)

By Romain Peter