[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-mathematiques-pour-l-intelligence-artificielle":3,"highlight-python-import numpy as np\n\n":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a80a7-b343-11f1-a993-d8ca06000363","Mathématiques pour l'intelligence artificielle","mathematiques-pour-l-intelligence-artificielle",null,"Data scientists, ingénieurs IA, développeurs souhaitant comprendre le fonctionnement interne des modèles, ingénieurs de recherche.","-   Niveau licence scientifique ou équivalent. Pratique de Python souhaitée pour les travaux pratiques.","-   mobiliser l'algèbre linéaire et le calcul différentiel nécessaires aux modèles\n-   expliquer le fonctionnement de la descente de gradient et de ses variantes\n-   interpréter les mesures statistiques utilisées en apprentissage\n-   analyser mathématiquement le comportement d'un modèle lors de l'entraînement","--day1--\n\n## Algèbre linéaire appliquée\n\n-   Vecteurs, matrices, produits et interprétation géométrique\n-   Transformations linéaires et changement de base\n-   Valeurs et vecteurs propres, décomposition en valeurs singulières\n-   Réduction de dimension et compression de représentations\n-   Coût de calcul des opérations matricielles et implications matérielles\n-   Travaux pratiques : implémentation des opérations fondamentales et vérification sur des plongements réels\n\n--break--\n\n## Calcul différentiel et optimisation\n\n-   Dérivées, gradients, matrice jacobienne et hessienne\n-   Fonctions de coût usuelles et propriétés recherchées\n-   Descente de gradient : principe, taux d'apprentissage, convergence\n-   Variantes : moment, méthodes adaptatives, planification du taux d'apprentissage\n-   Rétropropagation : dérivation et coût mémoire\n-   Travaux pratiques : implémentation d'une descente de gradient et d'une rétropropagation à la main\n\n--day2--\n\n## Probabilités et statistiques\n\n-   Variables aléatoires, lois usuelles, espérance et variance\n-   Maximum de vraisemblance et estimation des paramètres\n-   Entropie, entropie croisée, divergence entre distributions\n-   Inférence bayésienne et incertitude des prédictions\n-   Échantillonnage et méthodes de tirage appliquées à la génération\n-   Travaux pratiques : calcul de mesures d'entropie sur des sorties de modèle et interprétation\n\n--break--\n\n## Théorie de l'apprentissage\n\n-   Compromis biais-variance et capacité d'un modèle\n-   Régularisation : interprétation mathématique des principales méthodes\n-   Généralisation, sur-apprentissage et validation\n-   Convexité, minima locaux et paysage d'optimisation\n-   Ce que la théorie explique et ce qu'elle n'explique pas dans les grands modèles\n-   Travaux pratiques : mise en évidence expérimentale du compromis biais-variance\n\n--day3--\n\n## Mathématiques des architectures actuelles\n\n-   Mécanisme d'attention : formulation matricielle et complexité\n-   Normalisation et stabilisation de l'entraînement\n-   Représentations positionnelles et encodage de la séquence\n-   Effet de l'échelle sur l'optimisation et lois d'échelle\n-   Précision numérique : formats, stabilité, effets de la quantification\n-   Travaux pratiques : implémentation d'un mécanisme d'attention à partir des formules\n\n--break--\n\n## Lire et exploiter la littérature\n\n-   Structure d'une publication en apprentissage automatique\n-   Lecture critique : protocole expérimental, comparaisons, biais de publication\n-   Reproduction d'un résultat à partir d'un article\n-   Notations usuelles et conventions\n-   Sources de veille scientifique et évaluation de leur fiabilité\n-   Travaux pratiques : lecture guidée d'une publication récente et reproduction d'un résultat simple","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","21.00","L2-EXP-01","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","2530.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Reprenez les fondations mathématiques de l'IA : algèbre linéaire, calcul différentiel, descente de gradient et ses variantes (momentum, Adam, RMSprop), mesures statistiques et diagnostic d'un entraînement qui échoue.","Cette formation reprend les bases mathématiques indispensables à quiconque veut comprendre ce qui se joue réellement pendant l'entraînement d'un modèle : algèbre linéaire et opérations matricielles, calcul différentiel et rétropropagation, descente de gradient et ses variantes (momentum, Adam, RMSprop), probabilités et statistiques inférentielles utilisées pour évaluer un modèle. Chaque notion est implémentée en Python avec NumPy pour visualiser concrètement son effet sur l'apprentissage, depuis le calcul d'un gradient jusqu'à l'interprétation d'une courbe de convergence. Elle s'adresse aux data scientists, ingénieurs IA et ingénieurs de recherche souhaitant lire une publication technique et diagnostiquer un entraînement qui échoue plutôt que de le traiter comme une boîte noire.","#6D28D9","mdi:function-variant","python","import numpy as np\n\ndef gradient_descent(X, y, w, lr=0.01, iters=200):\n    for _ in range(iters):\n        grad = X.T @ (X @ w - y) / len(y)\n        w -= lr * grad\n    return w","Formation experte pour maîtriser l'algèbre linéaire, le calcul différentiel et la descente de gradient afin de diagnostiquer précisément l'entraînement des modèles d'IA.","Consolidez l'algèbre linéaire, le calcul différentiel et les probabilités qui gouvernent l'entraînement des modèles d'intelligence artificielle.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">import\u003C/span> numpy \u003Cspan class=\"hljs-keyword\">as\u003C/span> np\n\n\u003Cspan class=\"hljs-keyword\">def\u003C/span> \u003Cspan class=\"hljs-title function_\">gradient_descent\u003C/span>(\u003Cspan class=\"hljs-params\">X, y, w, lr=\u003Cspan class=\"hljs-number\">0.01\u003C/span>, iters=\u003Cspan class=\"hljs-number\">200\u003C/span>\u003C/span>):\n    \u003Cspan class=\"hljs-keyword\">for\u003C/span> _ \u003Cspan class=\"hljs-keyword\">in\u003C/span> \u003Cspan class=\"hljs-built_in\">range\u003C/span>(iters):\n        grad = X.T @ (X @ w - y) / \u003Cspan class=\"hljs-built_in\">len\u003C/span>(y)\n        w -= lr * grad\n    \u003Cspan class=\"hljs-keyword\">return\u003C/span> w\u003C/code>\u003C/pre>",1789740844241]