Premièrement, comprendre le concept d'intelligence artificielle

UNITÉ 01 Comprendre le concept d'intelligence artificielle
1 Qu'est-ce que l'intelligence artificielle ?
2 Qu'est-ce que l'apprentissage automatique ?
3. L'apprentissage profond est-il de l'apprentissage automatique ?
4. Intelligence artificielle générative

UNITÉ 02 : Exploration des méthodes d'apprentissage automatique
1. Apprentissage par la carte
2. Apprentissage non supervisé
3. Apprentissage par renforcement

UNITÉ 03 Expérimenter l'intelligence artificielle
1. Expérimentez la machine pédagogique
2. Expérimentez le tir rapide
3. Expérience de dessin automatique

Second Yard : Comprendre l'apprentissage profond

UNITÉ 04 Comprendre les principes de l'apprentissage profond
1. Apprentissage profond et réseaux neuronaux artificiels
Les principes des réseaux de neurones artificiels, examinés à travers deux exemples.
3. Matériaux des réseaux de neurones artificiels, données aux caractéristiques variées
4. Comment fonctionnent les réseaux neuronaux artificiels

UNITÉ 05 Principes de transmission du signal des réseaux de neurones artificiels
1. Pondérations et biais utilisés lors de la transmission des signaux
2. Fonction d'activation qui régule l'intensité du signal entrant

UNITÉ 06 Principes d'apprentissage des réseaux neuronaux artificiels
1. Détermination de l'erreur d'un réseau de neurones artificiels
2 Le cœur des réseaux de neurones artificiels ! Réduire les erreurs

UNITÉ 07 : Découverte de l’apprentissage profond avec TensorFlow Playground
1. Accès à l'environnement de test TensorFlow
2 Cliquez sur le bouton Démarrer
3. Examinez la section de sortie
4. Conception de la structure d'un réseau neuronal
5. Sélection d'un format de saisie de données
6. Distinguer les types de données complexes
7. Profitez deux fois plus des environnements de test TensorFlow

UNITÉ 08 : Exploration de diverses technologies d'apprentissage profond
1. Aperçu des réseaux neuronaux convolutifs
2. Examen des réseaux neuronaux récurrents
3. Découvrez les réseaux neuronaux récurrents avec Sketch RNN
4. Examen des réseaux neuronaux génératifs
Découvrez les 5 modèles de diffusion

Third Yard : Premiers pas en Python pour le développement de l'IA

UNITÉ 09 Fondements du développement de l'intelligence artificielle : Python et Colab
1 Qu'est-ce que Python ?
2. Configuration d'un environnement Python avec Colab

UNITÉ 10 : Programmation Python pour débutants : Un voyage de mille lieues commence par les variables
Programmation de l'addition de nombres à l'aide d'une variable
Programmation de l'addition de caractères à l'aide de deux variables
Examen des types de données de trois variables
4. Forcer le changement de type de variable

UNITÉ 11 : Tableaux : La pierre angulaire de l’intelligence artificielle – Programmation Python
1. Créez un tableau
2. Vérifiez la longueur du tableau
3. Accéder à chaque élément d'un tableau
4. Aperçu du découpage

UNITÉ 12 Tableaux pour l'IA, NumPy
1. Installation de NumPy
2 Importer NumPy
3. Création d'un tableau NumPy
4. Création d'un tableau NumPy 2D
5. Modifier la forme d'un tableau NumPy
6. Examen des fonctions NumPy

UNITÉ 13 Boucles pour l'intelligence artificielle
1. Tableaux et boucles (boucles for)
2. Création d'une boucle (boucle for)
3. Examen de la fonction range()

UNITÉ 14 Énoncés conditionnels pour l'intelligence artificielle
1. Analyse de l'instruction if
2. Analyse de l'instruction if-else
3. Créez une fonction permettant de distinguer les nombres pairs des nombres impairs.

UNITÉ 15 Grammaire Python pour le développement de l'intelligence artificielle générative
1 Dictionnaire : Poches étiquetées
2. Compréhensions de listes : Créer des listes intelligentes
3 fonctions lambda : créer une calculatrice courte et simple
4. Carte et filtre : application des modifications à la liste entière
5 Objets et classes : Comment créer des outils fonctionnels

Quatrième cour : Premiers pas avec la programmation en apprentissage profond

UNITÉ 16 : Exploration de l'environnement de développement de l'apprentissage profond
1. Aperçu de TensorFlow
2. Un aperçu de Keras
3 Aperçu du GPU

UNITÉ 17 : Création d'une IA pour la reconnaissance des nombres
1. Création d'un environnement de développement
2 Chargement de l'ensemble de données
3. Modification de la forme de X dans l'ensemble de données MNIST
4. Modification de la forme en Y dans l'ensemble de données MNIST
5. Concevoir un modèle d'IA
6. Entraîner le modèle
7. Examen de la précision du modèle
8. Vérifier les résultats de l'entraînement du modèle
9. Analyse des données bien prévues
10. Analyser des données qui n'ont pas permis de prédire correctement les résultats.

UNITÉ 18 : Créer une IA pour prédire les épidémies
1. Principes de développement de l'IA pour la prédiction du nombre de cas confirmés de COVID-19
2. Importation des données
3. Normalisation et classification des données
4. Modification du format des données
5 Génération des données d'entrée
6 Convertir dans un format compatible avec un modèle d'IA
7 Création d'un modèle d'IA
8. Entraîner le modèle
9. Prédiction des données
10. Examen de la précision du modèle
11. Vérifiez les résultats sur un graphique.

UNITÉ 19 : Création d'une IA génératrice de nombres
1. Principes du développement de l'intelligence artificielle génératrice de nombres
2. Création d'un environnement de développement
3. Chargement des données
4 Création d'un réseau neuronal générateur
5. Création d'un réseau neuronal discriminateur
6. Création d'une fonction de génération GAN
7. Créez une fonction pour vérifier le résultat.
8. Entraînement d'un réseau antagoniste génératif

Fifth Yard : Débuter la programmation en intelligence artificielle générative

UNITÉ 20 : Exploration des principes de l'intelligence artificielle générative
1. Tokenisation et intégration de texte
2. Comment gérer les phrases précédentes dans Transformer
3 L'émergence de l'attention et des transformateurs
4 encodeurs et décodeurs qui composent le transformateur
5 Descendants de Transformers
6 Pourquoi le modèle de décodeur présente-t-il une plus grande robustesse ?

UNITÉ 21 Exécuter un LLM dans Colab
1. Comment fonctionne le programme Open LLM
2. Obtention d'un code d'accès Hugging Face
3. Configuration de l'environnement Colab
Télécharger 4 LLM
5 Poser une question à un LLM

UNITÉ 22 Quantification et gestion du LLM
1. Principes de quantification du LLM
2. Configuration de l'environnement Colab
3 Installation et chargement des bibliothèques
4. Mise en place de la quantification du modèle
5 Chargement des tokeniseurs et des modèles
6. Poser une question à un LLM
7. Importez le modèle phi-4 en le quantifiant.
Inférence avec le modèle 8 phi-4

UNITÉ 23 Faites d'Open LLM votre assistant personnel avec RAG
1. Fonctionnement de la génération d'augmentation de la recherche
2 Installation et importation des bibliothèques
3. Importation par quantification LLM
4. Création d'une base de données pour la génération de recherche augmentée
5. Inférence de modèles à l'aide de la génération d'augmentation de la recherche

UNITÉ 24 Optimisation de votre LLM avec vos propres données
1. Fonctionnement du réglage fin LLM
2. Installez et chargez les bibliothèques requises
3 modèles d'importation
4. Configuration de LoRA
5 Chargement de l'ensemble de données d'entraînement
6 Configurez votre formateur SFT et commencez l'apprentissage
7. Déduction du modèle d'apprentissage

* Annexe

Annexe A : Création d’un environnement Python non-Colab
1. Comment installer Anaconda
2. Comment installer TensorFlow et Keras
3. Comment utiliser Jupyter Notebook
Annexe B Installation de Git

N'importe qui peut le faire facilement et rapidement
Vous pouvez créer votre propre modèle d'IA

Préparation | Comprendre l'intelligence artificielle
Nous allons explorer ce qu'est l'intelligence artificielle et ce qu'est l'apprentissage automatique, la technologie qui la met en œuvre.
Ensuite, nous présenterons trois méthodes d'apprentissage automatique et un outil qui vous permettra de découvrir facilement l'intelligence artificielle.
Nous aborderons également l'intelligence artificielle générative, qui attire l'attention ces derniers temps.

Concept | Comprendre les principes de l'apprentissage profond et de l'IA générative
Nous expliquons les principes de l'apprentissage profond, qui sont nécessaires au développement effectif de modèles d'intelligence artificielle, et les principes des modèles de langage à grande échelle (LLM), qui constituent la base de l'intelligence artificielle générative.
Nous expliquerons avec des exemples afin que même les débutants qui découvrent ces technologies puissent facilement les comprendre, et nous présenterons et pratiquerons avec « TensorFlow Playground », un outil pour expérimenter l'apprentissage profond, et « Hugging Face », qui vous permet d'utiliser des modèles d'intelligence artificielle génératifs.

Exercice pratique | Créez trois projets d'apprentissage profond et un projet d'IA générative.
Nous allons passer en revue les fondamentaux de Python étape par étape et pratiquer des projets d'apprentissage profond et d'intelligence artificielle générative.
Nous réaliserons sur Colab des projets pratiques axés sur les fondamentaux de l'apprentissage profond : l'IA pour la reconnaissance des nombres, l'IA pour la prédiction du nombre de cas confirmés de maladies infectieuses et l'IA pour la génération d'images de nombres.
Et nous pratiquons la génération augmentée (RAG) et le réglage fin à l'aide de modèles de langage à grande échelle disponibles publiquement.
Chaque ligne de code est expliquée en détail afin que même les débutants puissent comprendre le contenu de la programmation.

Selon un article de presse, une personne sur trois dans notre pays a déjà utilisé l'intelligence artificielle générative.
Je parle des services d'intelligence artificielle générative tels que ChatGPT, Gemini et Claude.
Si la question de ce sondage était modifiée en « Combien de personnes ont déjà utilisé Internet ? », le résultat serait non pas une personne sur trois, mais presque tout le monde.
Pourquoi est-ce que je parle soudainement d'Internet ? Je crois qu'un jour viendra où la technologie de l'IA générative sera utilisée par presque tout le monde, tout comme Internet l'est aujourd'hui.
J'ai écrit ce livre pour que tous ceux qui le lisent puissent comprendre l'intelligence artificielle et la développer eux-mêmes.
Il en va de même pour l'édition révisée.
Nous avons conçu ce guide pour aider chacun à comprendre les dernières technologies d'IA et à les mettre en pratique, en couvrant non seulement les sujets liés à l'apprentissage profond que nous avons déjà abordés, mais aussi l'IA générative.
J’espère que tous ceux qui ouvriront ce livre pourront faire un pas en avant à l’ère de l’intelligence artificielle.
- Lee Young-ho

[Avis du bêta-testeur]

Conformément à l'esprit de la collection « Pour tous », le design est épuré et la mise en page moderne. L'ouvrage propose une explication détaillée de l'utilisation de Python et des concepts d'apprentissage profond dans les services LLM, ce qui le rend utile aux lecteurs intéressés par le développement LLM.

Monsieur Choi Jun-seong

Ce livre incite constamment les étudiants en sciences humaines et les étudiants d'autres disciplines à utiliser directement l'intelligence artificielle.
Cela ne veut pas dire que je vais vous menacer avec du code Python difficile.
Les principes de l'apprentissage profond sont expliqués de manière naturelle, et les exemples de code suivants sont faciles à comprendre, vous permettant ainsi de les apprendre par vous-même tout en vous amusant.

Monsieur Shinnyeongi

J'ai apprécié qu'il ne se contente pas de présenter la grammaire de base de Python, mais qu'il explique aussi clairement pourquoi il est important de l'apprendre.
C'était enrichissant de pouvoir expérimenter moi-même la création d'une IA.
Jo Min-hye

Vous pouvez apprendre les principes fondamentaux des modèles d'apprentissage profond à travers divers exemples et exercices pratiques concrets.
La section consacrée à l'IA générative aborde un large éventail des dernières tendances et d'exemples pratiques.
Ce livre constituera un guide précieux tant pour les débutants que pour les praticiens novices en IA.
Monsieur Kang Kyung-mok

Il est composé d'explications et d'illustrations conviviales qui vous aideront à le comprendre facilement.
Il regorge d'informations, allant des bases de l'intelligence artificielle et de l'apprentissage profond à la syntaxe Python, en passant par l'utilisation de Google Colab et Hugging Face, et l'IA générative.
M. Kim Young-ik