Bootcamp Développeur Full Stack IA
Domaine : IA. Niveau : Avancé. Durée : 400 heures. 80 modules répartis en 8 chapitres. Tarif : 4200 euros. Formation à distance avec modules, exercices corrigés, questionnaires et manuel. Attestation de fin de formation délivrée à l’issue du parcours.
Construisez et mettez en ligne des applications web avec de l'IA : Python, API, bases de données, React, RAG et agents, jusqu'à un projet complet. Chaque semaine, un exercice est repris avec votre formateur en classe virtuelle. À la fin, vous recevez votre certificat AcadémIA Pro.
Objectifs pédagogiques
Écrire et tester du code Python de qualité. Créer une API et une interface React. Entraîner et évaluer des modèles. Construire un système RAG et des agents. Déployer et sécuriser une application, puis présenter son projet.
Prérequis
Savoir déjà programmer : variables, fonctions et boucles, dans n'importe quel langage. Ce bootcamp n'est pas une première initiation. Certains outils demandent un compte payant, et votre budget d'essais reste à votre charge.
Public visé
Développeurs et personnes en reconversion qui savent déjà programmer.
Programme détaillé
Chapitre 1 — Bloc 1 : Python professionnel
- 1.1 Le métier et son poste de travail
- 1.2 Python : asynchrone
- 1.3 Python : décorateurs et typage
- 1.4 Tests avec pytest
- 1.5 Qualité : outils de contrôle et dépendances
- 1.6 Git en équipe : branches et relecture
- 1.7 Architecture : monolithe ou services
- 1.8 Quatre patrons de conception utiles, sur du code réel
- 1.9 Synthèse de pratique du chapitre 1
Chapitre 2 — Bloc 2 : données et apprentissage
- 2.1 NumPy : calculer sur des tableaux
- 2.2 Pandas : nettoyer et analyser
- 2.3 Statistiques utiles pour un développeur
- 2.4 Modèles supervisés avec scikit-learn
- 2.5 Validation croisée et métriques
- 2.6 Surapprentissage et réglage des hyperparamètres
- 2.7 Partitionnement et réduction de dimension
- 2.8 Synthèse de pratique du chapitre 2
Chapitre 3 — Bloc 3 : réseaux de neurones
- 3.1 PyTorch : tenseurs et rétropropagation
- 3.2 Entraîner un réseau dense
- 3.3 Réseaux convolutifs sur des images
- 3.4 Suivre ses entraînements avec MLflow
- 3.5 Traitement du texte : jetons et embeddings
- 3.6 Attention et Transformers
- 3.7 Utiliser et affiner un modèle pré-entraîné
- 3.8 Synthèse de pratique du chapitre 3
Chapitre 4 — Bloc 4 : le backend
- 4.1 FastAPI : routes et validation
- 4.2 FastAPI : authentification
- 4.3 Tâches asynchrones et files de messages
- 4.4 PostgreSQL : modéliser
- 4.5 SQL : requêtes avancées et index
- 4.6 ORM et migrations
- 4.7 Sécurité web : le classement OWASP
- 4.8 Tests d'API
- 4.9 Synthèse de pratique du chapitre 4
Chapitre 5 — Bloc 5 : le frontend
- 5.1 React : composants et état
- 5.2 React : formulaires et appels d'API
- 5.3 Routage et pages protégées
- 5.4 Interfaces de conversation : réponses progressives
- 5.5 WebSocket et temps réel
- 5.6 Accessibilité et téléphone
- 5.7 Synthèse de pratique du chapitre 5
Chapitre 6 — Bloc 6 : grands modèles de langage
- 6.1 Appeler un modèle : jetons, coûts et erreurs
- 6.2 Écrire des consignes solides et les tester
- 6.3 Sorties structurées et appels d'outils
- 6.4 Bases vectorielles et recherche par similarité
- 6.5 RAG : découper et indexer
- 6.6 RAG : recherche hybride et reclassement
- 6.7 RAG : mesurer la qualité
- 6.8 Agents : boucle et outils
- 6.9 Agents : mémoire et état
- 6.10 Plusieurs agents sur un cas réel
- 6.11 Garde-fous et contrôle des sorties
- 6.12 Affinage avec LoRA : un essai mesuré
- 6.13 Expliquer un modèle : SHAP et LIME
- 6.14 Synthèse de pratique du chapitre 6
Chapitre 7 — Bloc 7 : mise en production
- 7.1 Docker : images et Compose
- 7.2 Pipeline d'intégration continue
- 7.3 Tester un modèle avant de le déployer
- 7.4 Déployer sur le cloud : secrets et réseau
- 7.5 Kubernetes : déployer et mettre à l'échelle
- 7.6 Versionner données et modèles
- 7.7 Dérive des données : détecter et réagir
- 7.8 Journaux, métriques et traces
- 7.9 Sécurité de l'IA : injection et empoisonnement
- 7.10 RGPD dans un pipeline de données
- 7.11 Synthèse de pratique du chapitre 7
Chapitre 8 — Bloc 8 : études de cas et projet
- 8.1 Cas : analyse automatique de documents
- 8.2 Cas : assistant métier avec mémoire
- 8.3 Cas : recommandation et test A/B
- 8.4 Cas : génération de contenu supervisée
- 8.5 Projet : architecture et découpage
- 8.6 Projet : le backend et l'IA
- 8.7 Projet : l'interface
- 8.8 Projet : tests et mise en ligne
- 8.9 Projet : audit et corrections
- 8.10 Revue de code et présentation de ses projets
- 8.11 Préparer un entretien technique et défendre ses choix
- 8.12 Veille : suivre un domaine qui change vite
- 8.13 Synthèse de pratique du chapitre 8
- 8.14 La pratique de toute la formation, l'examen final et l'exemple de pratique choisi par le stagiaire