Devenez Ingénieur IA — et construisez l'avenir numérique de la Guinée

Régression linéaire et logistique : prédire le prix d'une maison à Conakry, estimer la probabilité qu'un client rembourse un crédit mobile money. Arbres de décision et Random Forest : classification de pathologies à partir de symptômes cliniques. Support Vector Machines (SVM). Clustering K-Means : segmentation de clientèle pour une boutique ou un opérateur télécom. Évaluation rigoureuse des modèles : accuracy, précision, rappel, F1-score, courbes ROC, matrices de confusion. Overfitting et régularisation L1/L2. Outil principal : Scikit-learn.

Introduction aux réseaux de neurones artificiels : neurone artificiel, couches, fonctions d'activation, algorithme de rétropropagation. Réseaux de neurones denses (Fully Connected Networks). Réseaux convolutionnels (CNN) pour la vision par ordinateur : détection de maladies sur cultures agricoles guinéennes à partir de photos. Réseaux récurrents (RNN / LSTM) pour les séries temporelles : prévision des prix des matières premières ou du taux de change GNF/USD. Transfer Learning : exploiter des modèles pré-entraînés (VGG, ResNet, BERT) pour des tâches spécifiques avec peu de données locales. Introduction aux Transformers et aux grands modèles de langage (LLM). Outils : TensorFlow / Keras et PyTorch.

Versioning des modèles avec MLflow. Déploiement sous forme d'API REST avec FastAPI. Hébergement gratuit sur Hugging Face Spaces ou Render. Monitoring des modèles en production : détecter la dégradation des performances. Notions de Data Engineering : pipelines de collecte et de nettoyage automatisés. Adaptations pour les contextes à faible connectivité : modèles légers, TensorFlow Lite pour déploiement mobile, traitement offline.