Un programme n'apprend pas par magie : il modifie son comportement après avoir examiné des exemples, un principe qui est au cœur de l'IA moderne. Ce cours présente, dans un langage accessible, les concepts d'entraînement, de qualité des données, de réseaux de neurones et de modèles de langage, ainsi que leurs défaillances possibles, afin de vous permettre d'évaluer les affirmations concernant l'IA avec un regard plus critique. Il s'adresse aux débutants qui privilégient la compréhension aux mathématiques, et le discernement à la construction de modèles.
Le cours aborde l'apprentissage à partir d'exemples, la boucle d'entraînement et la manière dont des données de mauvaise qualité engendrent des biais, du bruit, une couverture incomplète et des fuites d'information. Il traite également des réseaux de neurones en tant que systèmes multicouches de détection de motifs, de la généralisation et du surapprentissage, des modèles de langage prédisant les jetons suivants, ainsi que des modes de défaillance courants tels que les hallucinations, la fragilité, le décalage de distribution et la sensibilité aux invites (prompts).