Modèles de Langage à Grande Échelle pour Tous : Des Bases à l'Utilisation Pratique (Édition 2026)
Ce cours constitue une introduction pratique et accessible aux modèles de langage à grande échelle (LLM), tels que ChatGPT et Gemini. Conçu pour les apprenants provenant de tout horizon, il explique de manière générale le fonctionnement des LLM, leurs capacités et limites, ainsi que la manière d'en tirer profit dans les études, le travail et la vie quotidienne. À travers des démonstrations pratiques et des exercices guidés, vous apprendrez des techniques d'élaboration de prompts, comment évaluer de manière critique les sorties, gérer les hallucinations et biais, et utiliser en toute sécurité et responsabilité des outils courants (documents, synthèses, traduction, traitement de données). À l’issue de ce cours, vous serez en mesure de créer votre propre « flux de travail LLM » pour des tâches concrètes – rédaction, recherche, planification, productivité – sans nécessiter de compétences avancées en programmation.
Aperçu du cours
📚 Résumé du contenu
Ce cours est une introduction accessible et pratique aux grands modèles linguistiques (LLM) comme ChatGPT et Gemini. Conçu pour les apprenants de tout horizon, il explique de manière générale le fonctionnement des LLM, leurs capacités et limites, ainsi que la manière dont ils peuvent être utilisés efficacement dans les études, le travail et la vie quotidienne. À travers des démonstrations pratiques et des exercices guidés, vous apprendrez des techniques de formulation de prompts, à évaluer critiques les sorties, à gérer les hallucinations et les biais, et à utiliser des outils courants (documents, résumés, traduction, tâches sur données) de manière sécurisée et responsable. À la fin du cours, vous serez en mesure de concevoir un flux personnel basé sur les LLM pour des tâches concrètes — écriture, recherche, planification, productivité — sans nécessiter de compétences avancées en programmation.
Du raisonnement mathématique fondamental à l'orchestration distribuée d'agents : façonner des architectes de systèmes de haut niveau pour l'ère des grands modèles.
🎯 Objectifs d'apprentissage
- Cognitif : Comprendre les piliers mathématiques du ML (algèbre linéaire, calcul, probabilités) et la lignée historique des architectures neuronales allant des Perceptrons aux LSTM.
- Basé sur des compétences : Naviguer sur des serveurs distants via des commandes shell Unix et implémenter des graphes computationnels élémentaires à l’aide de moteurs de différentiation automatique.
- Affectif : Valoriser l’importance du "fondement théorique" par rapport à l'"abstraction prématurée" lors du débogage de systèmes complexes comme les explosions de gradients.
- Généré
- Cognitif : Expliquer les mécanismes du pipeline post-formation, y compris la distinction entre le Fine-Tuning supervisé (SFT) et les cadres d’apprentissage par renforcement (RL) comme GRPO.
- Basé sur des compétences : Concevoir un pipeline d’entraînement multi-étapes — de la mise en route initiale jusqu’à l’alignement final — en utilisant des techniques de fine-tuning efficaces en paramètres comme LoRA.
- Affectif : Valoriser le passage de la vision de l’IA comme une "boîte noire magique" vers un système ingénierisé composé de couches mécaniques et de raisonnement interne délibéré.
- Cognitif : Comparer les cadres d’intégration linéaire avec les orchestrations cycliques basées sur des graphes, et différencier les protocoles d’intégration verticale (MCP) et horizontale (A2A).
- Basé sur des compétences : Définir des nœuds spécialisés et des arêtes conditionnelles à l’aide de principes de théorie des graphes, et implémenter un serveur MCP à l’aide de FastMCP pour connecter des agents à des données externes.
- Affectif : Valoriser l’importance de l’exécution cyclique et de la gestion d’état pour imiter les workflows cognitifs humains complexes.
Leçons 共 7 课时 · 预计 21.0h
Leçons
Lesson
This lesson challenges the "API fallacy" by emphasizing that true LLM mastery requires moving beyond high-level wrappers to understand the underlying mathematical foundations of linear algebra, calculus, and tensor mechanics. Students learn that grounding their practice in these core principles is essential for effective debugging, hardware optimization, and transitioning from cloud-based models to localized architectures.
This lesson explores the engineering mechanics behind Transformers, focusing on how Scaled Dot-Product Attention and the QKV framework enable models to process and predict text. Students will learn how to implement these concepts using matrix operations and stability techniques like positional encoding and layer normalization to ensure efficient, stable model training.
This lesson explores how raw base models are transformed into reliable assistants through a post-training pipeline involving supervised fine-tuning, reinforcement learning, and efficient adaptation techniques like LoRA. Students will learn how to build reasoning capabilities and optimize model performance on limited hardware by focusing on targeted parameter updates rather than full-model retraining.
This lesson explores the transition of prompt engineering into a formal discipline, emphasizing the use of Retrieval-Augmented Generation (RAG) and multi-provider orchestration to ensure system resilience and accuracy. Students learn to move beyond basic heuristics by implementing semantic chunking and architectural safeguards to mitigate hallucinations and prevent single-point-of-failure vulnerabilities in production environments.
This lesson explores the strategic shift toward local LLM deployment to address enterprise needs for data privacy, cost management, and operational resiliency. It also clarifies the critical distinction between OSI-compliant Open Source models and Open Weights models, emphasizing the importance of verifying licensing and usage restrictions for compliance.
This lesson explores the shift from linear AI chains to autonomous agentic workflows, which utilize graph-based architectures to enable cyclic execution, self-correction, and complex decision-making. Students will learn how to leverage state management, the Model Context Protocol (MCP), and multi-agent communication to build intelligent systems capable of reasoning and tool use.
This lesson guides students in transitioning from passive API users to expert architects by mastering autonomous system design, including the Model Context Protocol (MCP) and Agent-to-Agent (A2A) communication. It emphasizes building empirical engineering intuition through local pipelines, rigorous performance evaluation, and an understanding of advanced post-training alignment techniques like GRPO.