enseignement

Programmation Python pour scientifiques

Introduction à Python pour le calcul scientifique et la science des données. Variables, structures de données, contrôle de flux, fonctions, NumPy, Matplotlib. Travaux pratiques et défis de programmation.

AIMS Afrique du Sud AIMS Sénégal AIMS Rwanda

Mathématiques expérimentales avec SageMath

Résolution de problèmes par l'expérimentation computationnelle. Mathématiques discrètes, théorie des nombres, algèbre linéaire, théorie des graphes, combinatoire. Construction de notebooks SageMath pour l'exploration mathématique.

AIMS Afrique du Sud

Équations différentielles ordinaires

Théorèmes d'existence et d'unicité, équations du premier et second ordre, systèmes d'EDO, analyse de stabilité, transformées de Laplace. Applications à la dynamique des populations et aux modèles épidémiologiques.

AIMS Sénégal AIMS Rwanda

Analyse topologique des données

Homologie persistante, complexes simpliciaux, filtrations de Vietoris-Rips, algorithme Mapper, théorèmes de stabilité. Implémentation avec GUDHI et Ripser en Python. Applications aux données de santé et financières.

AIMS Afrique du Sud AIMS Sénégal

Méthodes numériques avec Python

Recherche de racines, interpolation, intégration numérique, systèmes linéaires, résolution d'EDO. Analyse d'erreurs et convergence. Toutes les méthodes implémentées de zéro et avec NumPy/SciPy, avec calepins Jupyter.

AIMS Sénégal AIMS Rwanda

Introduction à l'IA générative & aux LLMs

3 jours — Prompt engineering, fine-tuning, Retrieval-Augmented Generation (RAG), déploiement. Pratique avec l'API OpenAI et les modèles open-source.

Data science pour décideurs

3 jours — Formation non-technique pour managers et dirigeants : comprendre l'IA, identifier les cas d'usage, piloter un projet data, évaluer le ROI.

MLOps en pratique

4 jours — Du notebook à la production : Docker, pipelines CI/CD, monitoring de modèles, suivi d'expériences (MLflow), versioning (DVC).

Fondations mathématiques de l'IA moderne

5 jours — Les structures mathématiques derrière les modèles modernes : algèbre linéaire et architectures de réseaux, calcul différentiel et apprentissage par gradient, probabilités et modèles de diffusion, biais inductif, évaluation et généralisation. Destiné aux professionnels qui utilisent l'IA et veulent comprendre ce qui se passe sous le capot. Aucun prérequis mathématique avancé.

Apprentissage par renforcement : de la théorie à la pratique

5 jours — MDP, Q-learning, DQN, gradients de politique, méthodes acteur-critique. Applications en allocation de ressources, jeux et optimisation.

Apprentissage géométrique profond

4 jours — Réseaux de neurones sur graphes, apprentissage sur variétés, architectures équivariantes. Applications en sciences moléculaires, réseaux sociaux et nuages de points.

Statistique bayésienne appliquée

4 jours — Modélisation bayésienne, MCMC, Stan/PyMC, modèles hiérarchiques. Applications en santé, finance et sciences sociales.

Python pour la science des données

5 jours — De zéro à l'analyse : Pandas, visualisation, nettoyage de données, analyse exploratoire et premiers modèles ML avec scikit-learn.

R pour l'analyse statistique

4 jours — Tidyverse, ggplot2, modélisation statistique, rapports reproductibles avec R Markdown. Compagnon de The Shape of Data.

Rédaction scientifique avec LaTeX, Overleaf & Prism

3 jours — Rédiger articles, mémoires et thèses avec LaTeX. Édition collaborative sur Overleaf et rédaction scientifique assistée par IA avec OpenAI Prism.