Formation IA 2025 - Python et Unity

Après plus d'un an à réaliser des projets d'Intelligence Artificielle sur ma chaîne Youtube, j'ai décidé de vous partager mes connaissances et mon expérience acquises durant tout ce temps.

Dans ce cours, je vous apprendrai à manipuler les Réseaux de Neurones sur Python et Unity, à travers de nombreuses librairies telles que PyTorch, NEAT ou Unity ML-Agents.

A la fin de cette formation, vous saurez créer, entraîner et manipuler à votre guise des modèles d'Intelligence Artificielle tels que des réseaux génératifs, des modèles de reconnaissance d'Image ou des agents dans des environnements de jeu.

Devenez un maître de l'IA sur Python

Vous apprendrez à réaliser des projets de Deep Reinforcement Learning avancés afin de faire jouer vos IAs à vos jeux vidéos préférés. Vous découvrirez également que les modèles d'aujourd'hui peuvent nous dépasser !

Mais également sur Unity !

Cette formation contient également un module d'apprentissage du Deep Reinforcement Learning sur Unity, via la librairie Unity ML-Agents.

Contenu de la Formation :

Initiation Python

Dans ce module, vous apprendrez les bases du langage Python : variables, classes, fonctions.. Vous apprendrez aussi à manipuler les librairies importantes telles que matplotlib, numpy, et pygame.

Théorie des Réseaux de Neurones

Dans ce Chapitre, vous aborderez la théorie des Réseaux de Neurones : leur conception, leur entraînement, et leur optimisation. Vous aborderez notamment la descente de gradient ainsi que l'overfitting.

Initiation PyTorch

Vous serez initiés à la célèbre librairie PyTorch, afin d'utiliser les tenseurs, les optimizers, les transformers, les dataloaders, les fonctions de perte et bien évidemment : les réseaux de neurones.

ANNs, CNNs, GANs, RNNs

Dans ce chapitre, vous découvrirez et manipulerez les différents réseaux de neurones existants aujourd'hui : les réseaux Feed-Forward, les réseaux de Convolution, les réseaux Génératifs et les réseaux Récurrents.

Théorie du Reinforcement Learning

Vous serez initiés aux bases de l'apprentissage par Renforcement : les agents, la notion de récompense et de pénalité, l'exploration/exploitation, et bien plus encore...

Le Q-Learning

Dans ce chapitre, vous apprendrez une méthode d'apprentissage par renforcement très pratique : le Q-Learning.

Deep Reinforcement Learning

Ce Chapitre traitera de l'apprentissage par renforcement des Réseaux de Neurones. Cette sous-partie du Deep Learning est probablement la plus difficile à maîtriser mais permet de faire naître les plus grands modèles d'IA actuels.

Algorithmes Génétiques

Vous apprendrez également à entraîner vos réseaux de neurones par la voie de la génétique : évolution d'une population, performances, reproduction, convergence, etc...

Unity ML-Agents

Dans ce module, vous serez initié aux bases d'Unity, puis vous apprendrez à utiliser la librairie Unity ML-Agents, permettant l'implémentation d'algorithmes génétiques pour des réseaux de neurones directement dans Unity.

Projets

Dans ce Chapitre, vous pourrez accéder en exclusivité à mes précédents projets réalisés sur Python et Unity, afin de vous en inspirer ou même afin de les modifier si vous le souhaitez.

Déjà plus de 100 élèves ont suivi cette formation, et ont tous été satisfaits !