Programme Apprendre à utiliser des LLM avec Python
Durée : 1 journée - 7 heures
Tarif : Nous contacter pour une formation INTER – INTRA ou en COURS PARTICULIER
La formation est délivrée en présentiel ou distanciel (e-learning, classe virtuelle, présentiel et à distance). Le formateur alterne entre méthodes démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). La validation des acquis peut se faire via des études de cas, des quiz et/ou une certification.
Cette formation est animée par un consultant-formateur dont les compétences techniques, professionnelles et pédagogiques ont été validées par des diplômes et/ou testées et approuvées par l’éditeur et/ou par Audit Conseil Formation.
Les objectifs
pré-requis
Connaissances de base en Python.
Compréhension des API REST.
Maîtrise d’un environnement de développement (Jupyter, VSCode...).
Moyens pédagogiques, techniques et d'encadrement
- 1 poste de travail complet par personne
- De nombreux exercices d'application
- Mise en place d'ateliers pratiques
- Remise d'un support de cours
- Remise d'une attestation de stage
Modalités d'évaluation des acquis
- Evaluation des besoins et objectifs en pré et post formation
- Evaluation technique des connaissances en pré et post formation
- Evaluation générale du stage
Accessibilité handicapés
- Au centre d’affaires ELITE partenaire d’ACF à 20 m.
- Guide d’accessibilité à l’accueil.
Le Programme
Introduction aux LLM et aux APIs d’IA
Introduction aux modèles LLM : GPT, LLaMA, Claude, etc.
Fonctionnement : entraînement, inférence, limitations.
API des LLM : OpenAI, Anthropic, HuggingFace, Cohere.
Authentification, quotas, coûts, gouvernance.
Exemples concrets d’utilisation via API (Python, cURL, Postman).
Atelier : Appels API simples (OpenAI ou HuggingFace) avec gestion de clé.
Environnements de développement et langages
Python comme langage de référence.
Jupyter, VSCode, PyCharm : quel environnement choisir ?
Notions de prompt engineering : structurer ses requêtes.
Bonnes pratiques : logs, erreurs, temps de réponse, sécurité.
Frameworks utiles : LangChain, LlamaIndex, Transformers (HuggingFace).
Atelier : Développer un mini agent en Python avec OpenAI API.
Introduction au RAG
Embeddings
Vectorisation