IA Générative

Maîtriser l'IA GénérativeDe Zéro à la Production

32h

12 modules

+500 apprenants

LangChain & LlamaIndexPipeline RAGFine-tuning LoRADéploiement AWS/GCP

Réserver ma place Voir le programme complet

Investissement

1 490 DH

ou 3x sans frais • Éligible CPF

32h de vidéos HD disponibles à vie
5 projets pratiques avec feedback détaillé
Accès à la communauté Slack dédiée
Sessions Q&A mensuelles en direct avec l'instructeur
Templates prêts à l'emploi et notebooks Jupyter

Réserver ma place

Garantie satisfaction 30 jours ou remboursé

Programme Complet

6Modules

32hContenu

Programme complet

32h de contenu

|6 modules

Fondamentaux & Intermédiaire

Modules 1–3

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Module 1

Fondamentaux de l'IA Générative

/* PROGRESSION */

4h5 sujets17%

/* SUJETS */

Architecture Transformer de A à Z

Mécanisme d'attention multi-têtes

Tokenisation et embeddings sémantiques

Aperçu des LLM : GPT-4, Claude, Mistral, Llama 3

Module 2

Prompt Engineering Avancé

/* PROGRESSION */

5h6 sujets33%

/* SUJETS */

Prompting zero-shot, one-shot, few-shot

Chaîne de pensée (Chain-of-Thought) & Auto-cohérence

ReAct et raisonnement étape par étape

Tree-of-Thought pour les problèmes complexes

Module 3★ Clé

RAG — Génération Augmentée par Récupération

/* PROGRESSION */

6h6 sujets50%

/* SUJETS */

Architecture RAG naïve vs avancée

Stratégies de chunking (fixe, sémantique, hiérarchique)

Bases de données vectorielles : Pinecone, Qdrant, Weaviate, pgvector

Reranking et fusion de résultats

Avancé & Déploiement

Modules 4–6

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Module 4

Agents & Outils LLM

/* PROGRESSION */

5h6 sujets67%

/* SUJETS */

Agents ReAct avec LangChain

LangGraph pour les workflows complexes

Appel de fonctions & utilisation d'outils

Agents multi-étapes et réflexifs

Module 5

Fine-tuning & Adaptation de Modèles

/* PROGRESSION */

5h6 sujets83%

/* SUJETS */

Quand fine-tuner vs RAG vs prompting

LoRA et QLoRA — technique et pratique

Préparation et formatage des datasets

Fine-tuning de Mistral 7B avec Unsloth

Module 6★ Clé

Déploiement Production & Observabilité

/* PROGRESSION */

7h7 sujets100%

/* SUJETS */

FastAPI pour le serving LLM

Conteneurisation & orchestration

Déploiement AWS Bedrock / GCP Vertex AI

Monitoring : latence, coût, qualité de réponse

Survolez pour mettre en pause

Module standard

Module clé

Prerequisites

2 items

Python intermediate (fonctions, classes, bibliothèques)

Bases du machine learning (recommandé mais non obligatoire)

Target Audience

4 items

Développeurs souhaitant intégrer l'IA générative dans leurs applications

Data Scientists voulant se spécialiser dans les LLM

Tech Leads en charge d'une stratégie IA

Ingénieurs ML cherchant à maîtriser les architectures modernes

IA Générative

Maîtriser l'IA Générative

De Zéro à la Production

1 490 DH

32h12 modules

LangChain & LlamaIndex
Pipeline RAG
Fine-tuning LoRA
Déploiement AWS/GCP

RÉSERVER MA PLACE

✦ Garantie satisfaction 30 jours · Support prioritaire inclus