AI Engineer | Sup2tech 2025

Accéder à un métier d’avenir en devenant un

Ingénieur IA

Python

Keras

PyTorch

TensorFlow

Scikit-Learn

HTML

CSS

Javascript

docker

Kubernetes

AI Engineer Professional Certificate

4 mois – 10h par semaine – Sans prérequis

Compétences clés : Machine Learning, Deep Learning, Python, Keras, PyTorch, TensorFlow, Scikit-Learn, Docker, Kubernetes, etc.

A la fin de ce programme, vous serez capables de :

Maîtriser les techniques d’analyse exploratoire, de modélisation statistique et de machine learning.
Mettre en œuvre des algorithmes avancés de deep learning avec TensorFlow et PyTorch.
Appliquer le NLP, la computer vision et les réseaux de neurones convolutifs à des cas concrets.
Déployer des agents d’IA dans des environnements de production (API, cloud, CI/CD).

Parlez à un de nos conseillers

Mentoring personnalisé

Agenda flexible

Formation Certifiante

En groupe ou individuel

Apprendre par projets

En ligne et/ou en Présentiel

Triple

Certification

Boostez votre carrière avec des certifications professionnelles

A la fin de votre formation, vous pouvez opter pour des certifications professionnelles, reconnues à l'échelle internationale. Pour cela, nous vous préparons aux évaluations organisées et nous vous accompagnons tout au long de votre processus de certification.

AI Engineer Professional Certificate

IBM AI Engineer Professional Certificate

Google AI Essentials

77%

des détenteurs d'une certification professionnelle ont amélioré leurs carrières professionnelles

Apprenez en réalisant des projets pratiques pour être capables de travailler sur des cas rééls comme :

Construction d'un modèle de prédiction

Vous utiliserez la bibliothèque Scikit-Learn pour implémenter des algorithmes de machine learning supervisé et non-supervisé. Le projet consiste à entraîner un modèle (par exemple, de régression ou de classification) pour prédire une variable cible à partir de données d'entrée, et à évaluer sa performance.

Conteneurisation d'un modèle de machine learning

Vous utiliserez Docker pour empaqueter un modèle de machine learning entraîné et ses dépendances dans un conteneur, et créer une image Docker qui inclut le modèle, un serveur web (comme Flask ou FastAPI) et l'environnement nécessaire pour que l'application puisse être exécutée de manière portable.

Développement d'un réseau de neurones pour la classification d'images

Vous utiliserez TensorFlow et son API de haut niveau Keras pour construire et entraîner un réseau de neurones convolutif (CNN). Le projet consiste à créer un modèle capable de reconnaître et de classer des images (par exemple, des images de fruits, de voitures, ou de documents).

Création d'un agent conversationnel basé sur un LLM

Avec un modèle de langage (LLM) et un framework comme LangChain, vous développerez un agent conversationnel qui peut interagir avec des sources de données externes et construirez un chatbot capable de répondre à des questions complexes en s'appuyant sur des documents et une base de connaissances.

Conception d'un modèle de traitement du langage naturel (NLP)

Vous utiliserez PyTorch pour créer un modèle de réseau de neurones récurrents (RNN) ou un transformeur. Le projet consiste à développer un modèle capable de traiter et de comprendre du texte, comme la classification de sentiments ou la génération de phrases.

Déploiement et mise à l'échelle d'une application IA

Vous utilisez Kubernetes pour orchestrer et gérer le conteneur Docker créé précédemment. Le projet consiste à déployer le conteneur sur un cluster, à configurer la mise à l'échelle automatique en fonction du trafic et à assurer la haute disponibilité du service.

L'intelligence artificielle : C’est quoi?

L’intelligence artificielle consiste à permettre aux technologies de réaliser des actions humaines en copiant leurs comportements pour accomplir des missions spécifiques (analyse, information, etc.).

Les deux techniques les plus importantes dans le domaine sont le Machine Learning et le Deep Learning. En ce sens, la programmation avec Python est une compétence fortement demandée.

Applications majeures : chatbots, voitures auto-guidées, assistants virtuels (Siri, Alexa, ChatGPT, Midjourney), caméras de surveillance basés sur la reconnaissance faciale, moteurs de recherche, etc.

Développez des carrières d'avenir

AI Engineer, Robotics Scientist, AI Researcher, Machine Learning Specialist

2,7 millions

Emplois créés en 2025.

375 millions

Travailleurs qui auraient besoin de se requalifier en raison de l’IA.

390 Milliards $

Le marché de l’IA en 2025.

91%

Entreprises leaders qui investissent en AI

Structure du programme

Module 1 : Machine Learning avec Python

Appliquer les algorithmes de Machine Learning pour la régression, la classification et le clustering.
Sélectionner et transformer les caractéristiques (Feature Engineering) pour optimiser les modèles.
Évaluer la performance des modèles de Machine Learning en utilisant des métriques pertinentes.
Diagnostiquer et résoudre les problèmes de surapprentissage et de sous-apprentissage.
Utiliser des techniques de validation croisée pour des évaluations robustes.
Visualiser les résultats des modèles et l'impact des données.

Projet pratique 1 : Développez des modèles prédictifs pour anticiper des événements futurs ou automatiser des décisions basées sur des données.

Module 4 – Deep Learning avec PyTorch

Maîtriser la structure tensor et les opérations PyTorch de base.
Implémenter un modèle from scratch avec nn.Module.
Gérer les phases forward, loss, backward, optimizer.step().
Créer des dataloaders avec torch.utils.data.
Entraîner un modèle avec suivi de performance.
Réaliser une classification d’images ou de texte avec PyTorch.

Projet pratique 4 : Développez des applications avancées basées sur l'IA, avec une flexibilité et une puissance idéales pour la recherche et le prototypage.

Module 3 – Deep Learning avec TensorFlow & Keras

Comprendre l’architecture de base d’un réseau de neurones artificiels.
Créer, entraîner et évaluer un modèle simple avec Keras.
Choisir les fonctions de coût, d’activation et d’optimisation.
Prévenir le surapprentissage avec dropout, early stopping, batch normalization.
Implémenter des modèles séquentiels et fonctionnels.
Visualiser l’évolution du loss et accuracy avec TensorBoard.

Projet pratique 3 : Construisez des réseaux de neurones profonds pour résoudre des problèmes complexes comme la reconnaissance visuelle ou l'analyse vidéo.

Module 5 – Generative AI et Architecture LLM

Décrire le cycle de vie d’un projet en IA générative : collecte, nettoyage, pré-entrainement, fine-tuning, évaluation.
Comprendre les architectures fondamentales des LLMs : Transformer, Encoder/Decoder, Attention, GPT, BERT, T5.
Créer des prompt templates efficaces pour les cas d’usage courants (classification, génération).
Explorer les formats de données structurés pour l’entraînement des LLMs.

Projet pratique 5 : Générez du contenu créatif, comme du texte, du code ou des images, en utilisant les dernières architectures de modèles de langage.

Module 6 : Principes des Agents IA avec RAG et LangChain

Comprendre l’architecture des LLMs (Transformers, GPT, BERT, Encoder/Decoder).
Différencier les approches : pré-entraînement, fine-tuning, instruction tuning, RLHF.
Préparer des données textuelles de haute qualité pour entraîner ou ajuster un LLM.
Comprendre le concept de Retrieval-Augmented Generation (RAG) et ses cas d’usage.
Créer avec LangChain des agents LLM qui interagissent avec des données, outils ou documents.
Déployer un mini-agent IA avec RAG + LangChain + vector DB (ex. FAISS, Chroma, Pinecone).

Projet pratique 6 : Créez des assistants IA intelligents et fiables qui peuvent interagir avec des informations externes pour fournir des réponses précises et contextualisées.

Module 2 : Machine Learning avec Apache Spark

Appliquer le Machine Learning distribué sur des datasets massifs avec Apache Spark MLlib.
Préparer et transformer des données à grande échelle pour le Machine Learning distribué.
Entraîner et évaluer des modèles de Machine Learning sur des clusters Spark.
Comprendre les défis et les solutions du Machine Learning à l'échelle.
Utiliser les fonctionnalités de Spark pour la sélection et l'ingénierie des caractéristiques distribuées.
Optimiser les hyperparamètres des modèles ML sur Spark pour de meilleures performances.

Projet pratique 2 : Appliquez des algorithmes de machine learning à des données à grande échelle pour une puissance de calcul et une rapidité accrues.

Rejoignez une de nos prochaines sessions

Profitez de l'expertise de nos mentors

Votre mentor vous...

Guide à travers les apprentissages du programme pour s’assurer du développement de vos compétences.
Aide à planifier, créer et structurer votre portefeuille de projets réalisés au cours de la formation.
Fournit des conseils quant aux besoins des entreprises et vous prépare à démarrer une carrière dans votre domaine choisi.

Parlez à un de nos mentors

Qui choisit nos programmes ?

PROFESSIONNELS

En choisissant un de nos programmes, les professionnels :

Améliorent leur rémunération actuelle ou développer une source de revenus supplémentaires.
Accèdent à un nouveau poste ou à une nouvelle carrière prometteuse.
Renforcent leur profil pour des opportunités d'emploi à l’international.
Transforment leur passion en un projet d’entreprise ou une carrière en freelance.

étudiants

En suivant nos parcours pratiques et flexibles, les étudiants :

Renforcent leur employabilité en obtenant des certifications professionnelles internationales.
Développent une double compétence en parallèle à leurs diplômes universitaires.
Accèdent à des métiers d'avenir avec des conditions flexibles et stimulantes.
Transformer votre passion en un projet d’entreprise ou une carrière en freelance.

BACHELIERS

En suivant nos formations immersives, les bacheliers :

Accèdent rapidement à un emploi en optant pour un programme accéléré et ciblé.
Deviennent opérationnels du premier jour avec des formations professionnalisantes.
Travaillent dans un domaine prometteur avec des conditions flexibles et stimulantes.
Transforment leur passion en un projet d’entreprise ou une carrière en freelance.