Programme de la série Bases de l’IA : des fondamentaux aux modèles de langage et aux agents

La carte de tous les articles de la série — mathématiques, recherche, apprentissage automatique, traitement du signal, réseaux de neurones, LSTM, transformers, modèles génératifs et agents IA.

8 minutes Matěj Žalmánek 2026-10-15

Voici le plan de toute la série Bases de l’IA : tout ce que nous voulons expliquer, ordonné des fondamentaux aux détails. Les articles terminés sont des liens, nous écrivons les autres au fur et à mesure. Le programme est une carte, pas un parcours obligatoire — chaque article se lit indépendamment, et vous trouverez au début de chacun ce qu’il est utile de savoir au préalable.

Les modules s’enchaînent comme le montre le graphe. D’abord la carte et les mathématiques, puis les deux grandes familles de l’IA — celle qui cherche et celle qui apprend. De l’apprentissage automatique et du traitement du signal naissent les réseaux de neurones, d’eux les modèles de langage et l’IA générative, et tout finit par se rejoindre dans les agents IA. Le nombre sous le nom d’un module indique combien de ses articles sont déjà parus.

• bases sans connaissances préalables
• intermédiaire s’appuie sur les bases des modules précédents
• approfondi pour ceux qui veulent savoir comment ça marche à l’intérieur

1. Introduction et carte

Par où commencer : ce qu’est l’intelligence artificielle, d’où elle vient et le vocabulaire de base.

1. 1.1
   Carte de l’intelligence artificielle Ce que sont l’IA, l’apprentissage automatique, l’apprentissage profond et les modèles de langage, et comment ils s’articulent.
   bases
2. 1.2
   Brève histoire de l’IA Du test de Turing aux modèles de langage, en passant par les hivers de l’IA.
   bases
3. 1.3
   Données, modèle, entraînement, inférence Les notions de base indispensables pour la suite de la série.
   bases

2. Fondements mathématiques

D’abord le langage des mathématiques — notation, ensembles, relations, fonctions, logique et graphes — qui vous permettra de lire chaque définition de la série. Ensuite, juste ce qu’il faut de mathématiques — toujours avec un exemple tiré de l’IA. La descente de gradient est le cœur de presque tout ce qui apprend.

1. 2.1
   Lire la notation mathématique Symboles, indices, sommes et quantificateurs — un petit glossaire pour lire chaque définition de la série.
   bases
2. 2.2
   Ensembles et relations Éléments, sous-ensembles, produit cartésien et relations — ce dont sont faits les états, les données et les graphes.
   bases
3. 2.3
   Fonctions et applications Ensemble de définition, ensemble d’arrivée et composition — ce que signifie exactement la notation f : X → Y.
   bases
4. 2.4
   Logique et démonstrations Connecteurs, implication, quantificateurs ∀ et ∃, et comment fonctionne une démonstration mathématique.
   bases
5. 2.5
   Graphes et arbres Sommets, arêtes, chemins et arbres — la structure sur laquelle reposent la recherche comme les réseaux de neurones.
   bases
6. 2.6
   Algèbre linéaire pour l’apprentissage automatique Vecteurs, matrices et produit scalaire — la langue que parle chaque modèle.
   bases
7. 2.7
   Dérivées, gradient et règle de dérivation en chaîne Comment savoir dans quel sens tourner les boutons du modèle.
   bases
8. 2.8
   Descente de gradient : comment un modèle apprend Descente de gradient, SGD, momentum et Adam, animés sur le paysage de l’erreur.
   intermédiaire

3. Probabilités et statistiques

L’apprentissage automatique, c’est en grande partie de la statistique. D’une définition précise de la probabilité aux lois, à l’estimation et à l’entropie, en passant par les variables aléatoires, la fonction de répartition et la densité.

1. 3.1
   Ce qu’est une probabilité Expérience aléatoire, événements et axiomes de Kolmogorov — une définition précise au lieu du « rapport des cas favorables ».
   bases
2. 3.2
   Probabilité conditionnelle et théorème de Bayes Comment réviser une estimation quand vous apprenez quelque chose de nouveau — la base des filtres antispam comme du diagnostic médical.
   bases
3. 3.3
   Variable aléatoire et fonction de répartition Variables discrètes et continues, et la fonction qui dit tout de la loi de chacune.
   bases
4. 3.4
   Densité de probabilité et fonction de masse Pourquoi une variable continue a une probabilité nulle en un point donné — et ce que montre la densité à la place.
   intermédiaire
5. 3.5
   Espérance, variance et covariance Où se situe une loi, quelle est sa largeur et comment deux variables sont liées.
   bases
6. 3.6
   Panorama des lois de probabilité Bernoulli, binomiale, Poisson, uniforme, normale et exponentielle — laquelle utiliser et quand.
   bases
7. 3.7
   Loi des grands nombres et théorème central limite Pourquoi les moyennes se comportent de façon si prévisible et pourquoi la loi normale est partout.
   intermédiaire
8. 3.8
   Statistique et estimation de paramètres Échantillon, estimateur, maximum de vraisemblance et intervalles de confiance.
   intermédiaire
9. 3.9
   Théorie de l’information Entropie, entropie croisée et divergence KL — d’où viennent les fonctions de perte.
   intermédiaire

4. IA classique : recherche, jeux et logique

Une IA qui n’apprend rien, mais qui réfléchit : elle explore les possibilités, calcule les coups à l’avance et raisonne à partir de règles.

1. 4.1
   Recherche dans l’espace d’états BFS, DFS, UCS, recherche gloutonne et A* sur un même labyrinthe.
   bases
2. 4.2
   Jeux et adversaires Minimax, élagage alpha-bêta et recherche arborescente Monte-Carlo.
   intermédiaire
3. 4.3
   Satisfaction de contraintes Sudoku, emplois du temps et retour sur trace avec propagation de contraintes.
   intermédiaire
4. 4.4
   Logique et systèmes à base de connaissances Connaissances exprimées sous forme de règles, raisonnement automatique et systèmes experts.
   intermédiaire
5. 4.5
   Planification Comment l’IA enchaîne des actions pour atteindre un but — de STRIPS aux agents d’aujourd’hui.
   intermédiaire

5. Algorithmes inspirés de la nature

Quand les possibilités sont si nombreuses qu’on ne peut pas toutes les parcourir, il suffit d’observer la nature : l’évolution, les fourmis, les nuées d’oiseaux et le métal qui refroidit.

1. 5.1
   Recherche locale et recuit simulé Un grimpeur coincé sur une colline — et comment la physique du métal qui refroidit l’aide.
   bases
2. 5.2
   Algorithmes génétiques Une population de solutions, croisement, mutation et sélection naturelle dans le code.
   bases
3. 5.3
   Stratégies d’évolution et programmation génétique L’évolution de paramètres numériques comme de programmes entiers.
   intermédiaire
4. 5.4
   Optimisation par colonies de fourmis Comment les traces de phéromones trouvent un chemin court — même pour le problème du voyageur de commerce.
   intermédiaire
5. 5.5
   Optimisation par essaims particulaires Un essaim qui partage le meilleur endroit trouvé, et pourquoi cela fonctionne.
   intermédiaire
6. 5.6
   Neuroévolution L’évolution des poids comme de l’architecture des réseaux de neurones — NEAT et ses successeurs.
   approfondi

6. Logique floue et systèmes flous

Le monde n’est pas noir ou blanc, et la logique floue en tient compte : au lieu de « oui ou non », elle demande « dans quelle mesure ». À partir de règles qu’un humain comprend, elle construit des régulateurs et des modèles.

1. 6.1
   Ensembles flous et fonctions d’appartenance Quand un élément n’appartient à un ensemble ni complètement, ni pas du tout — comment écrire « un peu chaud ».
   bases
2. 6.2
   Logique floue et probabilités Pourquoi « il fait un peu chaud » ne veut pas dire la même chose que « il fait probablement chaud ».
   bases
3. 6.3
   Logique floue : opérations et règles Intersection et union floues, t-normes et règles SI–ALORS.
   intermédiaire
4. 6.4
   Commande floue : Mamdani et Sugeno Fuzzification, inférence et défuzzification — comment un régulateur flou pilote un lave-linge ou une climatisation.
   intermédiaire
5. 6.5
   Partitionnement flou L’algorithme fuzzy c-means : un point peut appartenir à plusieurs groupes à la fois.
   intermédiaire
6. 6.6
   Systèmes neuro-flous (ANFIS) Des règles floues dont les paramètres s’apprennent comme un réseau de neurones.
   approfondi

7. Modèles probabilistes et séquences

Comment raisonner avec l’incertitude et avec ce qui se passe dans le temps — des chaînes de Markov au filtre de Kalman.

1. 7.1
   Chaînes de Markov Processus aléatoires sans mémoire, matrice de transition et loi stationnaire.
   intermédiaire
2. 7.2
   Modèles de Markov cachés Ce qui se passe quand on ne voit pas l’état — et l’algorithme de Viterbi.
   intermédiaire
3. 7.3
   Réseaux bayésiens Un graphe de dépendances entre variables aléatoires et l’inférence qu’on en tire.
   intermédiaire
4. 7.4
   Le filtre de Kalman Estimer l’état réel à partir de mesures bruitées, pas à pas.
   approfondi

8. Apprentissage automatique

Le cadre général : quels types d’apprentissage existent, pourquoi un modèle échoue sur de nouvelles données et comment savoir qu’il a bien appris.

1. 8.1
   Types d’apprentissage automatique Supervisé, non supervisé, semi-supervisé, auto-supervisé et par renforcement.
   bases
2. 8.2
   Surapprentissage et régularisation Pourquoi un modèle qui connaît ses données d’entraînement par cœur échoue — et comment y remédier.
   intermédiaire à venir
3. 8.3
   Évaluation d’un modèle Données d’entraînement et de test, validation croisée, exactitude, F1 et ROC.
   intermédiaire à venir
4. 8.4
   Clustering et réduction de dimension k-means, PCA et t-SNE — comment voir une structure dans des centaines de dimensions.
   intermédiaire à venir

9. Classification et régression

Les deux tâches les plus courantes de l’apprentissage automatique — dans quelle case ranger une chose et combien elle vaudra — et les modèles qui les résolvent : de la droite aux arbres jusqu’aux SVM.

1. 9.1
   Classification et régression : deux tâches de l’apprentissage supervisé Quand un modèle répond par une classe et quand par un nombre — et comment cela change la mesure de l’erreur.
   bases à venir
2. 9.2
   Régression linéaire Les moindres carrés, géométriquement et sous forme matricielle, et ce que signifie le R².
   bases à venir
3. 9.3
   Régression polynomiale et non linéaire Comment courber une droite — et pourquoi une courbe trop courbée prédit moins bien.
   intermédiaire à venir
4. 9.4
   Régression logistique Classification par la sigmoïde, frontière de décision et entropie croisée.
   bases à venir
5. 9.5
   Classification multiclasse et softmax De deux classes à plusieurs : un contre tous et la fonction softmax.
   intermédiaire à venir
6. 9.6
   Classifieur bayésien naïf Le théorème de Bayes en pratique : un classifieur de texte rapide qui marche mieux qu’il ne le devrait.
   intermédiaire à venir
7. 9.7
   Fonctions de perte MSE, MAE, perte de Huber, entropie croisée et hinge — ce que le modèle minimise exactement.
   intermédiaire à venir
8. 9.8
   Arbres de décision et k plus proches voisins Deux modèles qu’on peut expliquer sans aucune formule.
   intermédiaire à venir
9. 9.9
   Ensembles : forêts aléatoires et gradient boosting Pourquoi cent modèles faibles battent un modèle fort.
   intermédiaire à venir
10. 9.10
    SVM et astuce du noyau La frontière la plus large possible entre les classes et comment la courber.
    approfondi à venir

10. Traitement du signal

Le son, l’image et les mesures sont des signaux. Avant qu’un modèle les reçoive, il faut les convertir en nombres — et la convolution passe d’ici directement aux réseaux de neurones.

1. 10.1
   Signal et échantillonnage Ce qu’est un signal, comment le convertir en nombres et pourquoi le théorème de Nyquist s’applique.
   bases à venir
2. 10.2
   La transformée de Fourier Décomposer un signal en fréquences et ce que nous révèle le spectre.
   intermédiaire à venir
3. 10.3
   Filtres et convolution Lissage, rehaussement des contours et débruitage — et pourquoi la convolution est partout.
   intermédiaire à venir
4. 10.4
   Son et parole Spectrogramme, échelle mel et MFCC — comment préparer l’audio pour un modèle.
   approfondi à venir
5. 10.5
   L’image comme signal Pixels, couleurs, convolution 2D et détection de contours.
   intermédiaire à venir

11. Réseaux de neurones et apprentissage profond

D’un seul neurone aux réseaux pour les images et les séquences — y compris les réseaux récurrents, LSTM et GRU.

1. 11.1
   Le perceptron et le neurone artificiel Le réseau de neurones le plus simple et ce qu’il ne sait pas faire.
   bases à venir
2. 11.2
   Un réseau de neurones à partir de zéro Un réseau multicouche et la rétropropagation, à la main et pas à pas.
   intermédiaire à venir
3. 11.3
   Activations, initialisation et normalisation Les détails dont dépend la capacité d’un réseau profond à apprendre.
   intermédiaire à venir
4. 11.4
   Réseaux convolutifs (CNN) Comment un réseau reconnaît les images — couche après couche.
   intermédiaire à venir
5. 11.5
   Réseaux récurrents (RNN) Des réseaux avec mémoire pour les séquences et le problème de l’évanouissement du gradient.
   intermédiaire à venir
6. 11.6
   LSTM et GRU Des portes qui décident de ce que le réseau retient et de ce qu’il oublie.
   approfondi à venir
7. 11.7
   Autoencodeurs et représentations Un réseau qui apprend à compresser les données puis à les décompresser.
   intermédiaire à venir
8. 11.8
   Embeddings et word2vec Comment un mot devient un vecteur avec lequel on peut calculer.
   intermédiaire à venir

12. Transformers et modèles de langage

L’attention, le transformer et tout ce qui fait d’un modèle de langage un assistant.

1. 12.1
   Le mécanisme d’attention Comment un modèle apprend où regarder dans un texte.
   intermédiaire à venir
2. 12.2
   Transformers et grands modèles de langage L’architecture transformer pas à pas et comment elle donne naissance à un LLM.
   approfondi à venir
3. 12.3
   Tokenisation Comment le texte est découpé en morceaux avec lesquels le modèle travaille.
   intermédiaire à venir
4. 12.4
   Préentraînement et mise à l’échelle Pourquoi un modèle plus grand et plus de données fonctionnent — et où cela cesse d’être vrai.
   approfondi à venir
5. 12.5
   Ajustement fin et RLHF Comment un modèle qui complète du texte devient un assistant.
   approfondi à venir
6. 12.6
   Prompts, contexte et RAG Comment donner au modèle les bonnes informations au bon moment.
   intermédiaire

13. Modèles génératifs

Des modèles qui ne trient pas les données, mais en créent — images, son et même nouvelles molécules.

1. 13.1
   Autoencodeurs variationnels (VAE) Générer de nouvelles données à partir d’un espace latent continu.
   approfondi
2. 13.2
   Réseaux antagonistes génératifs (GAN) Deux réseaux qui cherchent à se duper mutuellement.
   approfondi
3. 13.3
   Modèles de diffusion Comment du bruit pur devient peu à peu une image.
   approfondi

14. Apprentissage par renforcement

Comment apprendre à agir à partir des seules récompenses et punitions — des équations de Bellman à l’algorithme derrière RLHF.

1. 14.1
   Processus de décision markoviens États, actions, récompenses et équations de Bellman.
   intermédiaire
2. 14.2
   Q-learning et DQN Apprendre la valeur des actions — d’une table à un réseau profond.
   intermédiaire
3. 14.3
   Policy gradient et PPO Apprendre directement la politique — l’algorithme qui se cache aussi derrière le RLHF.
   approfondi

15. Agents IA en pratique

Là où tout se rejoint : un modèle de langage qui planifie, utilise des outils et travaille pour vous.

1. 15.1
   Comment fonctionne un agent IA Un modèle de langage dans une boucle : outils, planification et mémoire.
   intermédiaire
2. 15.2
   Programmer avec des agents IA Comment confier du travail à un agent, le vérifier et garder une vue d’ensemble.
   bases
3. 15.3
   Évaluation et sûreté des systèmes d’IA Comment mesurer ce que sait faire l’IA et l’empêcher de faire ce qu’elle ne devrait pas.
   intermédiaire

Il manque au programme un sujet que vous aimeriez voir expliqué ? Écrivez-nous — l’ordre des prochains articles dépend aussi de ce qui intéresse nos lecteurs.

Vous voyez les choses autrement ? Écrivez à support@coden-app.com.