Apprendre l’IA en pratiquant

Des cours d’IA pratiques en vidéo pour les étudiants, salariés, freelances, dirigeants et entreprises qui veulent utiliser l’IA au travail.

Vous débutez avec l’IA ? Commencez ici.

Choisissez un cours pratique et avancez à votre rythme. Ces cours débutants sont disponibles dans le catalogue de l’Académie.

• Claude Cowork et travail intellectuel avec l’IA - Servez-vous des démonstrations sélectionnées pour étudier des méthodes de travail intellectuel : organiser des fichiers, ajouter un contexte durable, rechercher un site web, conditionner des capacités réutilisables, rédiger des documents d’entreprise et comparer des flux avec des agents. L’accent est mis sur des entrées inspectables et des sorties vérifiables, car les interfaces et les permissions peuvent évoluer.
• Créer des images avec l’IA : prompts, cohérence et outils locaux - Partez d’un brief visuel pour construire un flux de création d’images que l’on peut réellement examiner. Vous comparerez les approches de génération et de retouche, vous vous exercerez à structurer vos prompts, vous préserverez la cohérence des personnages et des scènes, puis vous testerez des solutions hébergées et locales sans considérer une interface particulière comme définitive. Le cours insiste sur le suivi des versions, les autorisations, l’examen des productions et la transparence à propos des médias synthétiques.
• Flux de travail de contenu et de marketing avec l’IA - Construisez un petit système de contenu plutôt qu’un empilement d’astuces sur les outils. Vous pratiquerez la conception des prompts et du contexte, les briefs produisant plusieurs livrables, l’automatisation limitée, les brouillons de type UGC, les raccourcis mobiles, les expériences marketing et les laboratoires de prompts contrôlés. Chaque flux laisse visibles la vérification, la confidentialité, l’examen des affirmations et la validation humaine afin qu’une interface changeante ne devienne pas l’unique référence du cours.
• Lire le Manuel de l’IA en complément

Apprendre l’IA en pratiquant

Des cours d’IA pratiques en vidéo pour les étudiants, salariés, freelances, dirigeants et entreprises qui veulent utiliser l’IA au travail.

• Analyses SQL avec fonctions de fenêtrage - Développez une maîtrise pratique des fonctions de fenêtrage SQL, de la clause OVER et du partitionnement jusqu’au classement et aux calculs comparatifs. Distinguez un calcul de fenêtre d’une agrégation qui regroupe les lignes, explicitez l’ordre et les limites du cadre, puis validez les résultats avec de petits exemples. Les exercices reposent sur des données fictives ou dont l’usage est autorisé et privilégient un grain clair, un ordre déterministe et une interprétation prudente. Un résultat de requête n’a de sens que si sa population et ses hypothèses sont précisées.
• Suivi de la dérive des modèles : détecter, diagnostiquer et améliorer - Reliez les signaux statistiques de dérive au diagnostic des modèles en production et à leur amélioration maîtrisée. Distinguez les changements de distribution des entrées de ceux des relations prédictives, combinez qualité des données et résultats, et ne faites pas d'une alerte un motif automatique de réentraînement. Les exercices fictifs abordent les références, l'évaluation temporelle, les sous-groupes, le retour arrière et les responsabilités.
• Réponses étayées : concevoir et évaluer un flux RAG - Suivez le passage de la recherche documentaire à un système de questions-réponses vérifiable. Comparez des systèmes locaux sur PDF, examinez une approche d'auto-vérification et concevez des évaluations qui distinguent recherche et génération. Les activités originales privilégient la traçabilité des sources, la confidentialité, l'analyse des erreurs et la revue humaine plutôt que la confiance dans une réponse fluide.
• IA générative : premiers pas pratiques - Une initiation sans prérequis. Quatre vidéos aux droits vérifiés présentent les bases, les limites des réponses générées et deux usages quotidiens. Vérifiez toujours le résultat à partir de la source.
• Segmentation d’images avancée : méthodes sémantiques, par instance et panoptiques - Du cadrage de segmentation aux étiquettes sémantiques, instances et méthodes panoptiques, puis au suivi des points et pixels. Distinguez unités prédites, annotations et association temporelle.
• Ajustement fin économe en paramètres des LLM : PEFT, LoRA et QLoRA - Étudiez l’ajustement fin économe en paramètres, de sa motivation et de l’adaptation de faible rang aux flux PEFT et à LoRA quantifié. Comparez poids de base gelés et adaptateurs entraînables, explicitez les choix de modules et de données, et évaluez séparément gains de tâche, mémorisation, quantification et coûts de déploiement. Les vidéos en anglais sont accompagnées de notes originales, non de transcriptions.
• Apprentissage continu : mémoire, stabilité et plasticité - Étudiez les scénarios d’apprentissage continu, l’équilibre stabilité-plasticité, mémoire et généralisation, ainsi qu’une étude d’apprentissage par renforcement continu sans indication explicite de tâche. Le parcours va du protocole d’évaluation séquentielle aux mécanismes d’adaptation et aux coûts mémoire, puis à une référence simple en apprentissage par renforcement. Distinguez rétention et transfert, et concevez des évaluations révélant oubli, effets d’ordre et coûts de ressources. Les vidéos sont en anglais ; les notes et exercices originaux ne reproduisent pas les transcriptions.
• Apprentissage par renforcement : méthodes de valeur et gradients de politique - Ce parcours va des processus décisionnels de Markov et des objectifs d’apprentissage aux méthodes de valeur et de politique, puis à l’itération de valeur ajustée et aux gradients de politique déterministes. Reliez les méthodes aux espaces d’action, à la collecte de données et à la stabilité, sans confondre idée algorithmique et garantie de réussite. Les vidéos sont en anglais ; les notes et travaux originaux ne reproduisent pas leur transcription.
• Projets de machine learning appliqué : préparer, prédire et comparer - Des exemples pratiques relient préparation, classification, regroupement et prévision temporelle. Les activités traitent la définition de la cible, les fuites de données, les références simples et les limites de généralisation. Utilisez des données publiques ou synthétiques et documentez incertitudes et reproductibilité.
• Tests A/B : concevoir, mener et interpréter des expériences - Élaborez un processus expérimental qui relie une question produit à un traitement, un groupe de comparaison et un résultat clairement définis. Prenez en compte l’affectation aléatoire, l’exposition et la mesure, l’importance pratique ainsi que les risques de tirer des conclusions excessives de résultats bruités. Les activités utilisent des données fictives ou agrégées dont l’usage est autorisé ; elles privilégient les décisions définies à l’avance, les indicateurs de garde-fou et l’expression honnête de l’incertitude, sans promettre de réponse définitive.
• Recherche d’information : modèles de clic, pertinence et apprentissage du classement - Cette progression va de la pertinence linguistique et des clics à l’apprentissage pairwise en ligne et aux architectures profondes. Elle distingue jugements et clics, examine les biais d’exposition et relie les objectifs à l’évaluation. Le sujet est le classement en recherche, non la génération augmentée par récupération. Les vidéos anglaises ont des supports originaux, sans transcription.
• Architectures Transformer : de l’attention aux séries temporelles - Ce parcours technique va des principes des Transformers et d’une implémentation transparente à petite échelle, en passant par des variantes d’attention, jusqu’à l’architecture Informer pour les séries temporelles. Reliez les choix d’architecture à la structure des séquences, au coût de calcul et aux hypothèses de prévision, puis concevez une évaluation sans fuite temporelle.
• Concevoir de meilleurs prompts : formuler des demandes claires - Une initiation pratique à la communication avec l’IA générative. Quatre vidéos dont les droits ont été vérifiés séparément progressent des bases et de la qualité d’un prompt vers des techniques et des demandes mieux formulées. Exercez-vous sur une tâche sans enjeu important, comparez les résultats et considérez chaque réponse comme un brouillon à contrôler.
• Analyse pratique des données avec Python et Pandas - Construisez, par petites étapes, un flux d’analyse pratique : préparez un notebook, comprenez les valeurs Python, chargez des fichiers courants, sélectionnez et joignez des données, résumez des groupes et examinez un jeu de données. Les leçons retenues sont des démonstrations sous licence ouverte d’Alex The Analyst ; elles ne remplacent pas la documentation à jour des bibliothèques. Vous terminerez avec un notebook reproductible d’analyse exploratoire et une trace claire de vos hypothèses.
• Réseaux de neurones sur graphes : propagation de messages et apprentissage - Le cours explore l’attention sur graphes, la propagation neuronale de messages, la classification de nœuds et de graphes et la complétion de graphes de connaissances multirelationnels. Reliez structure et agrégation aux tâches de prédiction, puis examinez l’effet de l’augmentation et des hypothèses géométriques sur la généralisation. Vous explicitez la construction du graphe et concevez une évaluation sans fuite de données.
• Évaluer les modèles génératifs : métriques, benchmarks et confiance - Ce parcours passe des critères de qualité aux limites des benchmarks et aux preuves de confiance, puis examine une évaluation multimodale. Un classement ou un score unique ne vaut pas verdict : définissez l’usage, vérifiez l’adéquation des données et de la grille d’évaluation, puis analysez les échecs par catégorie. Les activités associent tests quantitatifs, examen qualitatif et supervision humaine proportionnée.
• Apprentissage auto-supervisé des représentations de graphes et réseaux - Le cours couvre augmentation contrastive, hypergraphes, embeddings contextuels pour liens hétérogènes et requêtes logiques sur graphes de connaissances. Il compare les structures préservées et l’effet du type de graphe, de la géométrie et de l’évaluation. Un objectif auto-supervisé ne garantit pas une représentation universelle. Supports originaux, sans transcription, accompagnent les vidéos anglaises.
• Détection avancée d’objets : DETR et apprentissage économe en données - Parcourez la détection d’objets : cadrage de la tâche, prédiction d’ensembles de type DETR, conception de détecteurs transformers et apprentissage actif probabiliste pour choisir les annotations. Distinguez localisation par image et suivi temporel ; examinez métriques, partitions, qualité d’annotation et coût de calcul. Les vidéos en anglais sont accompagnées de notes originales.
• Flux agentiques : planifier, utiliser des outils et garder le contrôle humain - Étudiez le passage d'une réponse unique à un flux en plusieurs étapes. Cartographiez la planification, les appels d'outils et les transferts, puis limitez les actions susceptibles d'affecter des personnes, des données ou des systèmes externes. Les travaux originaux s'appuient sur des scénarios fictifs et explicitent approbation, journalisation et reprise après erreur.
• Flux de données Python : collecter, transformer, analyser - Suivez des données d'un site ou d'une API vers leur structuration, les opérations numériques et l'analyse de relations. Vérifiez autorisation, limites, provenance, schéma et valeurs absentes. Les exercices distinguent corrélation et causalité ; une information publique n'est pas automatiquement réutilisable.
• Apprentissage fédéré : agrégation, personnalisation et représentations - Étudiez apprentissage fédéré, FedAvg et personnalisation. Analysez hétérogénéité, participation, communication et limites de la conservation locale comme garantie de confidentialité.
• Complétion de graphes de connaissances : représentations, embeddings et évaluation - Ce cours avancé porte sur la complétion de graphes de connaissances, et non sur les réseaux de neurones de graphes en général. Reliez structure et caractéristiques textuelles aux embeddings d’entités et de relations, examinez des objectifs efficaces sans échantillonnage négatif et la complétion d’instances guidée par schéma, puis analysez les protocoles d’évaluation de prédiction de liens. L’accent est mis sur la construction des candidats, les fuites de données, les mesures de classement et l’adéquation de l’évaluation à l’usage visé. Les vidéos sont en anglais ; les ressources originales sont analytiques et ne reproduisent pas de transcription.
• Expérimentation produit : analyse, arbitrages et plateformes - Reliez l’interprétation des expériences aux décisions produit et aux systèmes qui coordonnent les tests à grande échelle. Un exemple de paradoxe, un cours sur les modèles et les tests A/B, une discussion sur les situations où les tests conviennent et une séance sur la gestion des plateformes illustrent différentes preuves et contraintes opérationnelles. Entraînez-vous à examiner les segments, les tests qui se chevauchent, la gouvernance et la qualité des mesures ; aucune affirmation de plateforme ou d’intervenant ne prouve universellement la validité d’un test.
• Observabilité MLOps : surveiller les systèmes en production - Explorez l'observabilité, de la collecte de métriques et des alertes aux relais opérationnels et à la transition du notebook vers le service. Séparez les signaux d'infrastructure des preuves sur les prédictions et examinez instrumentation respectueuse de la vie privée, étiquettes limitées, responsabilités, versions reproductibles et reprise. Les exercices fictifs ne présentent aucun outil comme une garantie de fiabilité.
• Votre premier processus d'analyse de données - Une découverte de trois façons d'explorer des tableaux, sans prétendre les maîtriser toutes immédiatement. Quatre vidéos aux droits vérifiés abordent Excel, MySQL, SQL et le nettoyage avec Pandas. Travaillez sur des données autorisées et notez vos hypothèses.
• Vérifier avant de croire : contrôler les réponses de l’IA - Un parcours de débutant qui traite les affirmations produites par l’IA comme des éléments à vérifier, et non comme des faits à répéter. Quatre vidéos aux droits contrôlés abordent les hallucinations, un exemple de vérification, la relecture humaine et le repérage des erreurs. Entraînez-vous à isoler les affirmations, trouver des sources indépendantes et signaler les incertitudes.
• Analyse géospatiale : données, requêtes et jointures spatiales - Élaborez un processus rigoureux de requêtes et de jointures géographiques, des outils SIG de bureau aux bases spatiales. Distinguez les prédicats géométriques, les systèmes de coordonnées et le grain des enregistrements joints ; examinez aussi l’influence des frontières et de la provenance des sources. Les exercices utilisent des données géographiques fictives ou convenablement licenciées, vérifient les géométries invalides ou incompatibles et ne traitent pas une carte ou une association spatiale comme une preuve causale. Vérifiez les conditions des sources et les métadonnées de coordonnées avant de réutiliser des données réelles.
• Fondamentaux de l’apprentissage automatique : des algorithmes aux pipelines - Reliez l’intuition géométrique des vecteurs au raisonnement par plus proches voisins, aux arbres boostés, aux fonctions de perte, aux pipelines de prétraitement et à deux exemples compacts de réseaux neuronaux. Les leçons sous licence ouverte de CampusX servent de démonstrations guidées. Le parcours insiste sur les données, l’objectif, la séparation des jeux et la mesure d’évaluation réellement utilisés par un modèle, plutôt que de traiter un exemple de code comme la preuve qu’il se généralisera.
• Finance quantitative : backtests et données de marché - Étudiez l’interaction entre données financières, règles de stratégie et choix de simulation. Distinguez les backtests de portefeuille des exemples portant sur une seule stratégie et examinez un processus Python. Vérifiez l’absence de biais d’anticipation, de survivance et d’hypothèses d’exécution irréalistes. Les affirmations accrocheuses sont des propositions à examiner, pas des résultats établis. Les exercices utilisent des données hypothétiques et insistent sur les coûts de transaction, la validation chronologique, les références, les mesures de risque et les limites de l’extrapolation historique. Ce cours est pédagogique et ne constitue pas un conseil en investissement.
• Flux d'images génératives : configurer, créer, vérifier - Examinez les outils de bureau, modèles et flux texte-image, ainsi que les limites de l'interprétation visuelle. Planifiez des essais sûrs, consignez la provenance et vérifiez droits, divulgation et risque de tromperie. Un détecteur ne prouve pas l'origine d'une image.
• Optimisation bayésienne pour des expérimentations efficaces - Du principe de l’optimisation bayésienne à la conception séquentielle et au réglage automatisé des performances, le parcours traite incertitude, choix d’acquisition, bruit et contraintes pratiques. Vous concevez des comparaisons reproductibles avec la recherche aléatoire et documentez le budget de recherche.
• Confidentialité différentielle : sensibilité, métriques et statistiques privées - Présente les fondements DP, sensibilité, définitions formelles et statistiques privées. L’accent porte sur voisinage, composition, utilité et menace.
• Détection d’anomalies : flux, données multivariées et interprétation - La séquence va des flux temporels aux indicateurs multivariés et à l’interprétation d’outliers. Elle distingue score et incident confirmé et confronte les explications aux connaissances métier. Une discussion axée sur HTM côtoie des travaux multivariés; aucun détecteur n’est universel. Supports originaux, sans transcription, accompagnent les vidéos anglaises.
• IA responsable : vie privée, éthique et relecture - Une introduction à l’usage prudent de l’IA générative et des informations. Quatre vidéos en licence ouverte abordent la vie privée, l’éthique, les principes de l’IA responsable et l’intégrité de la recherche. Des exercices originaux aident à déterminer ce qui peut être partagé, qui peut être affecté et quand une relecture humaine ou une solution plus sûre s’impose.
• Systèmes de recommandation appliqués : livres, films et playlists - Examinez différents usages pour comparer recommandations fondées sur interactions et contenus et évaluer ce qu'une démonstration établit réellement. Définissez feedback et classement, étudiez attributs et biais d'exposition, puis planifiez consentement, diversité, démarrage à froid et contrôle utilisateur. Les exercices reposent sur des cas fictifs ou des métadonnées autorisées; une démo ne prédit pas les goûts universels ni l'impact produit.
• Apprentissage automatique sécurisé : inférence privée et inversion de modèle - Explorez les systèmes d’apprentissage automatique respectueux de la vie privée : d’un cadre général à un classifieur sécurisé des plus proches voisins, à l’évaluation de réseaux quantifiés, puis à l’inversion de modèle comme menace concrète dans le filtrage collaboratif. Le cours distingue protection du calcul et garanties formelles de confidentialité, et examine modèles de menace, canaux de fuite et coûts d’utilité. La dernière leçon, centrée sur une attaque, est une analyse de sécurité, non une approbation de l’extraction de données personnelles. Les vidéos sont en anglais ; notes et exercices sont originaux, sans transcription.
• Apprentissage automatique interprétable : explications et limites - Distinguez l’interprétabilité intrinsèque des explications post hoc, étudiez l’attribution aux caractéristiques et examinez les réseaux neuronaux interprétables ainsi que les contraintes de production. Testez la stabilité des explications, ce qu’une méthode indique réellement sur le modèle et comment présenter ses limites au bon public.
• Orchestration des pipelines de données : planificateurs et DAG - Explorez la planification de workflows de données au moyen d’un exposé sur Luigi, d’une comparaison entre Airflow et Luigi, d’un compositeur visuel de DAG et de retours de migration depuis des planificateurs d’entreprise. Reliez les dépendances aux reprises, à l’idempotence, à l’observabilité et à la gestion du changement : un planificateur ne remplace pas du code fiable. Les activités exigent des plans de reprise et de responsabilité explicites ; ces présentations sont des exemples, pas la preuve qu’un outil convient à toutes les équipes.
• Évaluer et déployer des applications d'IA de manière responsable - Reliez l'évaluation d'une application au paquetage et à l'exposition d'un service basé sur un modèle. Définissez des tests représentatifs, examinez la reproductibilité et les limites de l'API, puis établissez des critères de lancement incluant sécurité, retour arrière et responsabilité humaine. Les activités originales ne garantissent pas l'actualité d'un outil ou d'une procédure donnée.
• Suivi multi-objets : association d’identités et trackers robustes - Étudiez le suivi multi-objets comme association temporelle plutôt que détection image par image. Examinez les décisions d’association, la gestion des pistes et GHOST comme exemple. Analysez changements d’identité, détections manquées, mouvement, apparence et évaluation séquentielle sans supposer qu’une méthode se généralise au-delà des conditions testées. Les vidéos sont en anglais ; les notes sont originales.
• Apprentissage profond et vision par ordinateur avec les CNN - Passez du rôle de l’apprentissage profond et des familles de réseaux neuronaux aux fondamentaux de PyTorch, à la structure convolutionnelle, aux modèles préentraînés et à l’apprentissage par transfert. La dernière leçon fournit le cadre d’un projet de classification d’images. Le contenu est présenté à travers des démonstrations sous licence ouverte de CampusX ; vérifiez donc les API des bibliothèques et les conditions des jeux de données dans la documentation actuelle avant de mettre en œuvre un projet.
• Concevoir des prompts reproductibles : structurer, tester, réviser - Un prompt est une composante d'application, pas une formule magique. Définissez tâche, contexte, limites et contrôles, comparez les versions avec des exemples fixes et testez les outils proposés. Les activités privilégient reproductibilité, preuves, confidentialité et jugement humain.
• Algorithmes de recommandation : filtrage collaboratif en pratique - Passez du problème de classement aux voisinages d'utilisateurs, scores pondérés et similarités d'objets. Examinez les hypothèses des matrices d'interaction, du recouvrement et de l'exposition; comparez aux références de popularité, avec qualité de classement, couverture, démarrage à froid et tests de sensibilité. Les matrices fictives rappellent que les scores hors ligne ne prouvent ni bénéfice, ni équité, ni effet causal.
• Inférence bayésienne : apprentissage, calcul a posteriori et MCMC - De l’inférence bayésienne au calcul du posterior par MCMC. Explicitez les hypothèses et examinez approximations, diagnostics et sensibilité.
• Inférence neuronale efficace : quantification et compression - Le parcours examine quantification des réseaux, quantification à pas appris, efficacité d’inférence et méthodes plus larges d’efficacité des grands modèles de langue. Distinguez compromis de représentation et de calcul des effets matériels, comparez les méthodes de compression et concevez des contrôles de qualité et de latence adaptés à la tâche. Les vidéos en anglais sont accompagnées de notes analytiques originales, non de transcriptions.
• Systèmes de recommandation : filtrage collaboratif, factorisation et équité - Explorez les systèmes de recommandation, du filtrage collaboratif et des signaux de préférence au codage compact de similarité, aux recommandations sensibles à l’équité et aux machines de factorisation. Examinez la collecte du feedback et l’effet de l’évaluation sur le classement et l’équité. Les vidéos sont en anglais ; les notes originales ne sont pas des transcriptions.
• Inférence causale : expériences, appariement et régression - Ce parcours va des questions causales et de leurs hypothèses aux expériences randomisées, à l’appariement et à l’ajustement par régression. Définissez un effet cible, tracez un graphe causal, repérez les risques de confusion et de sélection et communiquez les limites des conclusions observationnelles. Les exemples enseignent des méthodes ; ils ne montrent pas qu’un estimateur unique résout les problèmes d’identification.
• Systèmes TAL : de la structure de la langue aux transformers - Établissez un lien pratique entre traitement de texte, étiquetage de séquences, modèles de langue neuronaux et représentations de transformers. Comparez définition des tâches, choix des données et sorties, puis concevez une évaluation attentive au contexte et au coût des erreurs. Les exercices utilisent des textes inventés ou publics et rappellent qu'une sortie fluide ne garantit ni pertinence ni absence de biais.
• Ingénierie des données : ETL, reverse ETL et pipelines analytiques - Découvrez quatre perspectives du travail sur les pipelines : un aperçu de conception moderne, une mise en œuvre ETL Databricks, du reverse ETL orchestré avec Airflow et un pipeline analytique Airflow/PySpark. Distinguez l’ingestion et la transformation de la livraison opérationnelle vers d’autres systèmes, puis documentez contrats, lignage, reprise et limites de confidentialité. Les architectures et démonstrations sont illustratives ; aucune pile ni circulation de données n’est adaptée sans autorisations sur la source et contrôles de destination.
• Créer des images avec l’IA : du prompt à la relecture - Un parcours débutant sur les bases et les approches pratiques de l’image générative. Quatre vidéos dont les droits ont été vérifiés présentent la génération d’images, sa mise en pratique, les formats de prompt et un flux de travail pour débuter. Créez un brief original à faible risque, comparez les résultats et vérifiez la qualité, la provenance, le consentement et l’usage prévu avant tout partage.
• Apprentissage few-shot : généraliser aux connaissances, événements et graphes - Après le cadre few-shot, le cours étudie validation de connaissances, détection guidée par taxonomie et propriétés moléculaires. Exemples support et structure aident sans garantir le transfert. Comparez des références simples et évaluez au niveau adapté. Les vidéos anglaises ont des supports originaux, sans transcription.
• Des fondamentaux du TAL aux transformeurs et aux LLM - Construisez une représentation mentale du NLP par étapes : définissez la tâche, placez le prétraitement et la représentation dans un pipeline, essayez une formulation supervisée de classification de texte, puis reliez l’auto-attention à l’évolution historique des modèles de langage. Les leçons sélectionnées de CampusX sont des ressources pédagogiques, non la promesse d’un résultat pour un modèle particulier. Les exercices rendent visibles les choix de prétraitement et les hypothèses d’évaluation.
• Analyser des données dans Excel : du nettoyage aux graphiques - Découvrez une démarche pratique pour répondre à une petite question d’analyse dans Excel : inspecter et nettoyer un tableau, calculer des champs utiles, résumer des catégories avec un tableau croisé dynamique et choisir un graphique adapté. Les quatre leçons s’appuient sur des démonstrations distinctes dont les droits ont été vérifiés. Travaillez sur une copie de données que vous êtes autorisé à utiliser, conservez l’original et précisez ce que votre synthèse montre ou ne permet pas de conclure.
• Créer des applications d’IA générative avec LangChain et LangGraph - Commencez par le rôle de LangChain dans les applications d’IA générative, puis examinez les composants, les interfaces de modèles, les prompts, les sorties structurées et les parseurs avant de passer à un flux agentique LangGraph. CampusX fournit les démonstrations et le contexte de code sélectionnés ; les noms de paquets et les API peuvent évoluer. Considérez donc les exercices comme des modèles à vérifier, non comme des instructions de production immuables. Le cours valorise les schémas explicites, les entrées de test et les transitions d’état observables.
• Premiers pas en SQL : interroger des tables - Construisez une requête exploratoire par petites étapes : sélectionnez des colonnes, filtrez les lignes, résumez les lignes retenues par catégorie, puis distinguez un filtre sur les lignes sources d’une condition sur les groupes obtenus. Les leçons sont des démonstrations et ne garantissent pas un environnement de base de données particulier. Utilisez une table d’exercice sûre et adaptez les détails propres au dialecte employé.
• Automatisation par l’IA et opérations des agents - Étudiez des méthodes concrètes d’automatisation sans prendre une démonstration pour un modèle prêt à être déployé en production. Le cours va d’un workflow de contenu de bout en bout à l’exploitation à distance, à la planification, aux extensions, aux architectures multi-agents de type superviseur et à un workflow n8n intégrant un contrôle qualité humain. Les apprenants doivent tester les permissions, la reprise après incident, le traitement des données et les étapes d’outillage sensibles aux changements.
• Python et Pandas : première analyse de tableau - Une introduction ciblée au traitement de données tabulaires avec Pandas en Python. Commencez par comprendre le DataFrame comme tableau étiqueté, chargez un fichier, filtrez lignes ou colonnes en fonction d’une question et résumez des groupes. Les vidéos restent attribuées à leurs chaînes de publication et leurs droits ont été vérifiés séparément. Utilisez un fichier non sensible, vérifiez chaque transformation et consignez vos hypothèses.
• Claude Cowork et travail intellectuel avec l’IA - Servez-vous des démonstrations sélectionnées pour étudier des méthodes de travail intellectuel : organiser des fichiers, ajouter un contexte durable, rechercher un site web, conditionner des capacités réutilisables, rédiger des documents d’entreprise et comparer des flux avec des agents. L’accent est mis sur des entrées inspectables et des sorties vérifiables, car les interfaces et les permissions peuvent évoluer.
• Premiers pas avec Power BI : importer, modéliser, visualiser - Suivez un parcours pratique dans Power BI Desktop : découvrez une première visualisation, préparez une table importée, comprenez l’effet des relations sur l’analyse et choisissez des visuels pour communiquer un résultat vérifié. Chaque leçon est une démonstration distincte publiée sous licence Creative Commons par son auteur sur la plateforme. L’interface et les fonctions évoluent ; consignez vos décisions concernant les données et le modèle.
• Prompting appliqué à la recherche et aux missions à forts enjeux - Passez de la structure des prompts et des exemples au contexte des procédures juridiques, à l’analyse des lacunes d’une conversation, à la recherche étayée, à la recherche visuelle et à la découverte de mots-clés. Le cours traite les sorties du modèle comme des brouillons à examiner — et non comme des conseils juridiques, des constatations de fait ou un substitut à une revue qualifiée. Chaque travail demandé produit un prompt, un relevé d’éléments probants ou un artefact d’évaluation auditable.
• Apprentissage automatique : notions clés et séparation des données - Ce parcours d’initiation va de l’idée générale de l’apprentissage automatique aux types d’apprentissage, aux notions de modèle et au partage soigneux des données. Vous comparez des exemples d’apprentissage supervisé, non supervisé et par récompense, puis étudiez pourquoi les données d’entraînement doivent rester distinctes des données d’évaluation. L’activité finale utilise un petit jeu de données dont l’usage est autorisé ; aucune expérience en programmation n’est requise.
• Fondamentaux des LLM : apprentissage profond, modèles et recherche augmentée - Reliez l’entraînement des réseaux neuronaux et la pratique du transfer learning aux mécanismes internes des modèles de langage, à l’évaluation des modèles, au prompting, aux boucles d’agents, aux connexions d’outils MCP et aux workflows orientés vers la recherche augmentée. Le contenu alterne des leçons techniques longues et des démonstrations plus courtes ; utilisez les travaux demandés pour distinguer les concepts durables des commandes sensibles aux versions et pour tester chaque frontière du système.
• Réseaux de neurones : des neurones à l’apprentissage - Une initiation en quatre leçons : du neurone artificiel aux couches, aux fonctions d’activation et aux représentations apprises. Les explications restent conceptuelles ; aucun code ni calcul différentiel n’est nécessaire. Pour conclure, vous dessinerez un petit réseau et expliquerez pourquoi ses sorties doivent aussi être testées sur des exemples qui n’ont pas servi à l’entraînement.
• Des fondamentaux de l’IA et des LLM aux agents de recherche (ourdou-anglais) - Construisez un parcours conceptuel allant de l’apprentissage automatique et du NLP aux grands modèles de langage, aux outils de modèles préentraînés, au prompting et à un projet de synthèse d’agent de recherche en Python. La séquence est présentée dans un enseignement ourdou-anglais et doit servir de base à des expériences, non de promesse qu’une API de modèle, une bibliothèque ou un service hébergé restera inchangé. Les travaux demandés mettent l’accent sur le traitement des sources, les sorties structurées et la revue humaine.
• Visualisation des données : principes, perception et encodages - Un parcours de quatre leçons pour concevoir et lire des visualisations de données. Vous commencez par leur objectif, puis abordez la perception, la hiérarchie visuelle et les encodages comme la position, la longueur et la couleur. Vous vous exercerez à choisir un graphique adapté à une question et à préciser incertitudes et limites, au lieu de traiter une image soignée comme une preuve.
• Créer des images avec l’IA : prompts, cohérence et outils locaux - Partez d’un brief visuel pour construire un flux de création d’images que l’on peut réellement examiner. Vous comparerez les approches de génération et de retouche, vous vous exercerez à structurer vos prompts, vous préserverez la cohérence des personnages et des scènes, puis vous testerez des solutions hébergées et locales sans considérer une interface particulière comme définitive. Le cours insiste sur le suivi des versions, les autorisations, l’examen des productions et la transparence à propos des médias synthétiques.
• Éthique des données : vie privée, usages et rapprochements responsables - Une introduction pratique au raisonnement éthique tout au long du cycle de vie des données. Vous identifiez les personnes concernées et les objectifs, examinez l’usage responsable et la vie privée dans les analyses de l’apprentissage, puis étudiez comment la combinaison de jeux de données peut créer de nouveaux risques. Le cours propose un cadre d’examen, pas un avis juridique, et se termine par une fiche de décision concrète.
• Production vidéo avec l’IA : de l’image à la vidéo aux publicités cinématographiques - Organisez un projet vidéo court réalisé avec l’IA en plans, essais et points de contrôle. Le parcours va du prompting texte-vers-vidéo à la planification cinématographique, l’animation d’images, les essais image-vers-vidéo, la configuration locale et le dépannage, puis un projet final publicitaire. Les habitudes durables — briefs, feuilles de continuité, relevés de provenance, journaux des défauts et validation humaine — restent utiles lorsque les outils et les modèles évoluent.
• Automatiser avec l’IA sans coder : créer et vérifier un flux - Une introduction pratique à l’automatisation assistée par l’IA pour les personnes qui ne programment pas. Les quatre démonstrations sous licence passent d’une présentation de n8n pour débutants à une première automatisation avec l’IA, un exemple lié à Gmail et une longue masterclass sur Make.com. Entraînez-vous uniquement avec des données fictives sans risque : les interfaces et intégrations évoluent, et toute automatisation doit être testée soigneusement avant d’agir sur de vraies personnes ou données.
• Flux de travail de contenu et de marketing avec l’IA - Construisez un petit système de contenu plutôt qu’un empilement d’astuces sur les outils. Vous pratiquerez la conception des prompts et du contexte, les briefs produisant plusieurs livrables, l’automatisation limitée, les brouillons de type UGC, les raccourcis mobiles, les expériences marketing et les laboratoires de prompts contrôlés. Chaque flux laisse visibles la vérification, la confidentialité, l’examen des affirmations et la validation humaine afin qu’une interface changeante ne devienne pas l’unique référence du cours.
• Écrire avec l’IA : de l’idée à la révision - Construisez un processus d’écriture reproductible sans abandonner votre responsabilité éditoriale. Les quatre démonstrations sous licence Creative Commons abordent le brainstorming avec ChatGPT, une consigne précise pour un e-mail, une courte leçon sur la manière d’adapter un texte IA à son public et la révision par plan inversé avec des résumés générés par IA. Traitez les textes générés comme des brouillons modifiables : fournissez vous-même des faits vérifiés, contrôlez les affirmations et le ton, et gardez la décision finale.
• Recherche et productivité avec l’IA - Concevez vos routines de recherche et de productivité comme des flux vérifiables. Les leçons abordent les autorisations d’espace de travail, la capture des réunions, les agents de recherche planifiés, la collecte de signaux produit, l’évaluation des fonctions, la sécurité des agents et le travail assisté par la voix. Au lieu de promettre une exactitude automatique, le cours vous demande de définir les limites des sources, de contrôler les sorties, de protéger les informations sensibles et de conserver une solution manuelle.
• La recherche avec l’IA : trouver, vérifier, organiser - Un parcours pour débutants qui utilisent des fonctions de recherche assistée par l’IA sans confondre résumés générés et preuves. Les vidéos présentent la recherche approfondie par IA et des outils de recherche, abordent la vérification des recherches de l’IA et montrent un processus de lecture avec Roam Research. Vous vous entraînerez à préciser une question, à trouver les sources originales, à conserver leurs références et à signaler les incertitudes. Les outils d’IA peuvent omettre ou déformer des informations : la personne qui mène la recherche doit vérifier les affirmations importantes.
• IA responsable : équité, explicabilité, confidentialité et confiance - Apprenez à transformer les enjeux de l’IA responsable en questions de revue concrètes et en décisions consignées. Le parcours va du cadrage éthique et des définitions concurrentes de l’équité à la conception de tests de biais, aux limites des explications, à la modélisation des menaces pour la confidentialité, aux questions de droit d’auteur et de provenance, puis à la vérification des deepfakes. Il ne fournit pas de conseil juridique ni de score universel d’équité ; il met l’accent sur les preuves, les personnes concernées, l’incertitude, la supervision humaine et l’escalade.
• Créer des vidéos avec l’IA : planifier, générer, monter - Une introduction pour débutants à un processus de création vidéo assisté par l’IA, de l’idée d’une histoire simple à la génération et au montage. Les vidéos sélectionnées abordent les histoires animées par IA, la création de vidéos cinématographiques avec l’IA, un tutoriel vidéo IA pour débutants et un processus narratif avec CapCut. La disponibilité, les fonctions et les droits varient selon les outils. Utilisez uniquement des éléments que vous avez le droit d’utiliser, signalez si nécessaire les contenus synthétiques ou modifiés et vérifiez la vidéo finale avant de la partager.

Questions fréquentes

Y a-t-il des cours gratuits disponibles ?

Oui. La leçon d’introduction de chaque cours disponible est proposée en aperçu gratuit. Aucune carte bancaire n’est requise pour commencer.

Comment fonctionne l'essai de 7 jours ?

Les utilisateurs éligibles bénéficient d'un essai gratuit de 7 jours. Ensuite, le forfait mensuel ou annuel choisi est renouvelé automatiquement jusqu'à sa résiliation. Résiliez avant la fin de l'essai pour éviter tout débit.

Qu'est-ce que le Pass Academy ?

Le Pass Academy vous accorde un accès illimité à tous les cours complets, aux ressources premium et aux devoirs exclusifs. Il est disponible pour 14,99 $/mois ou 149 $/an, avec 17 % d’économie sur l’abonnement annuel, et vous pouvez annuler à tout moment via notre portail de facturation Stripe.

L'Academy est-elle incluse avec Lumi Pro ?

Oui. Si vous avez un abonnement Lumi Pro actif, l'accès illimité à la One AI Guide Academy est automatiquement inclus sans frais supplémentaires.

Contenu de cours sous licence ouverte · sous licence CC BY · licence vérifiée

Ce catalogue contient uniquement des cours disposant de justificatifs de licence complets et approuvés, ainsi que d’au moins une leçon publiée admissible.