Manuel universitaire · Informatique

Intelligence
artificielle

Des données aux modèles de langage.

Un manuel pour comprendre comment les systèmes d’IA apprennent, comment les évaluer et comment s’en servir pour étudier l’informatique.

Première année · Maroc

Illustration de couverture. Des trajectoires traversent trois plans de calcul, des entrées à la prédiction. Deuxième édition
Entrées, représentations et prédiction
5 chapitres 25 sections 25 figures 5 QCM

Sommaire

Cinq chapitres, de la formulation d’un problème à l’évaluation d’un assistant documentaire.

  1. Du problème au modèle

    Définir les entrées, la décision et la cible. Calculer un gradient et concevoir une comparaison qui peut échouer.

    Voir les sections
    1. 1.1 Spécifier une tâche avant de choisir un modèle
    2. 1.2 Règles, prédiction, génération et décision
    3. 1.3 Mesurer et étiqueter les données
    4. 1.4 Fonction de perte et descente de gradient
    5. 1.5 Construire une expérience qui peut échouer
    6. QCM · Du problème au modèle
    Ouvrir le chapitre
  2. Apprendre et évaluer

    Séparer les données, lire les erreurs, choisir un seuil et comprendre la généralisation d’un réseau.

    Voir les sections
    1. 2.1 Choisir un régime d’apprentissage
    2. 2.2 Séparer les données selon le futur usage
    3. 2.3 Seuils, erreurs et calibration
    4. 2.4 Régularisation, surapprentissage et changement
    5. 2.5 Réseaux profonds et représentations apprises
    6. QCM · Apprendre et évaluer
    Ouvrir le chapitre
  3. Architecture des modèles génératifs

    Suivre les calculs, du tokenizer au décodage. Étudier l’attention causale, le post-entraînement et la diffusion.

    Voir les sections
    1. 3.1 Tokenisation et représentations vectorielles
    2. 3.2 Attention causale et architecture transformer
    3. 3.3 Préentraînement, adaptation et post-entraînement
    4. 3.4 Décodage, contexte et coût d’inférence
    5. 3.5 Modèles multimodaux et diffusion
    6. QCM · Architecture des modèles génératifs
    Ouvrir le chapitre
  4. Étudier et travailler avec les LLM

    Délimiter l’aide d’un tuteur, vérifier une réponse dans la documentation et mesurer un système de recherche.

    Voir les sections
    1. 4.1 Utiliser un LLM pour travailler le raisonnement
    2. 4.2 Lire une source avec un assistant
    3. 4.3 Examiner le code à l’aide de contrats et de tests
    4. 4.4 Recherche documentaire et génération augmentée
    5. 4.5 Comparer deux pratiques d’étude
    6. QCM · Étudier et travailler avec les LLM
    Ouvrir le chapitre
  5. Fiabilité et projet de synthèse

    Auditer les écarts, documenter la provenance et comparer deux assistants sur un corpus technique.

    Voir les sections
    1. 5.1 Auditer les performances par usage et par langue
    2. 5.2 Protéger les données et conserver la provenance
    3. 5.3 Outils, agents et limites d’autorité
    4. 5.4 Arbitrer fiabilité, coût et latence
    5. 5.5 Projet de synthèse · Un assistant documentaire vérifiable
    6. QCM · Fiabilité et projet de synthèse
    Ouvrir le chapitre