2.1Connaissances de baseSession 2 · Data Engineering & Machine Learning

Mathématiques appliquées à l'informatique II

25classes75htotalTH3 · PR2 · PNW1pondération par classe

Déroulé classe par classe

25 classes

TH = théorie · PR = pratique · PNW = travail personnel. Ce sont des codes de pondération du ministère (et non des heures) servant à répartir les minutes de chaque classe. La durée d'une classe = heures du cours ÷ nombre de classes ; les trois plages horaires ci-dessous totalisent toujours cette durée.

Progression des quiz

0 sur 0 classes tentées

2 premières classes gratuites avec un parrainage 24 de plus avec l'inscription180 min par classeThéorie 90mPratique 60mTravail personnel 30m

De 1.1 au calcul différentiel — pourquoi le changement compte pour l'IA

GratuitTH3PR2PNW1

Un analyste de données ou d'affaires qui comprend les taux de variation peut expliquer pourquoi un indicateur s'améliore ou stagne au lieu de se contenter de rapporter le chiffre.

Théorie90m

Récapitulatif des fonctions et des graphiques de 1.1
La grande idée du calcul : mesurer comment les choses changent
Où le calcul apparaît en IA (courbes d'apprentissage, optimisation)

Pratique60m

Tracez un indicateur type dans le temps dans un tableur et repérez à l'œil où il change le plus vite
Marquez les points de montée la plus forte et les plus plats sur le graphique

Travail personnel30m

Rédigez un paragraphe sur un indicateur d'affaires dont vous voudriez suivre le taux de variation
Micro-tâche : remettre votre paragraphe

Limites — le fondement du calcul

VerrouilléTH3PR2PNW1

Aperçu de classe verrouillée

Un gestionnaire d'intégration d'IA rencontre « quand x tend vers » dans la documentation des modèles — les limites en sont la version précise

Inscrivez-vous pour déverrouiller chaque classe de ce cours — le déroulé complet, le tuteur IA et le quiz.

Mathématiques appliquées à l'informatique II

Déroulé classe par classe

De 1.1 au calcul différentiel — pourquoi le changement compte pour l'IA

Limites — le fondement du calcul

Dérivées — mesurer le taux de variation

Règles de dérivation — puissance, somme et constante

Dérivées d'ordre supérieur — accélération et courbure

Optimisation — trouver la meilleure valeur

Descente de gradient — comment les modèles (et les LLM) apprennent vraiment

Dérivées partielles et gradients — plusieurs variables à la fois

Intégrales — additionner le changement continu

La règle de dérivation en chaîne — dérivées de fonctions composées

Rappel de probabilités — de 1.1 aux prédictions de jetons d'un LLM

Probabilité conditionnelle et théorème de Bayes

Distributions — normale, uniforme et asymétrique

Moyenne, variance et écart-type — décrire la dispersion

Corrélation et covariance — comment les variables bougent ensemble

Échantillonnage et théorème central limite

Intervalles de confiance — à quel point sommes-nous sûrs ?

Tests d'hypothèse — décider à partir de données

Évaluer les modèles — exactitude, précision et rappel

Surapprentissage et sous-apprentissage — pourquoi les modèles échouent

Validation croisée — se fier à son évaluation

Fonctions de perte — ce que les modèles (et les LLM) minimisent

Optimisation en pratique — taux d'apprentissage et convergence

Tout relier — les maths derrière un vrai modèle

Présenter et réfléchir — votre trousse mathématique pour l'IA

Déverrouiller les 25 classes