Cours
Concepts des grands modèles de langage (LLM)
2 h
103.8K
Les grands modèles de langage sont passés du statut de sujet de recherche à celui d'incontournable pour tout développeur, qu'il s'agisse d'appeler une API, d'affiner un modèle open source ou d'expliquer à une équipe produit pourquoi le chatbot vient d'inventer une politique de remboursement.
\nPour vous guider, nous avons classé les cours selon quatre critères :
\n- \n
- Profondeur conceptuelle : le cours explique-t-il vraiment les tokens, les embeddings, l'attention et l'architecture des transformers ? \n
- Rigueur pratique : écrivez-vous du code qui appelle, ajuste (fine-tuning) ou sert un modèle réel ? \n
- Couverture plateformes et modèles : le cours se limite-t-il à une API ou vous donne-t-il une vision des modèles open source versus propriétaires ? \n
- Expertise de l'instructeur et résultats : qui enseigne et ce que vous pourrez réellement construire ensuite \n
1. Introduction to LLMs in Python — DataCamp
\nIntroduction to LLMs in Python de DataCamp est le meilleur cours unique pour les développeurs qui veulent dépasser l'étape \"appeler l'API d'OpenAI\" et comprendre réellement l'architecture transformer au cœur de tout LLM moderne.
\n- \n
- Niveau : Intermédiaire \n
- Durée : ~3 heures, à votre rythme ; démarrage gratuit \n
- Coût : Démarrage gratuit ; accès complet inclus avec un abonnement DataCamp (~25 $/mois) \n
- Idéal pour : les développeurs qui veulent une introduction ciblée, orientée code, aux LLM et aux transformers sans s'engager d'abord dans une spécialisation complète \n
Le cours aborde la mécanique des architectures transformer avant de passer à l'utilisation de modèles et jeux de données préentraînés depuis Hugging Face, à leur affinement pour des tâches spécifiques, puis à l'évaluation des résultats.
\nCe qui fait la différence et lui vaut la première place : le cours s'appuie sur l'AI Tutor de DataCamp, qui explique les erreurs dans le contexte exact du code que vous regardez. Les bugs liés aux LLM sont rarement évidents à la seule lecture de la stack trace, et un tuteur qui raisonne sur votre erreur précise vaut mieux que des suppositions.
\n2. LLM Engineering: Master AI, Large Language Models & Agents — Udemy
\nLLM Engineering est une excellente option pour les développeurs qui veulent un cours complet et très orienté projets, allant des API commerciales à l'affinage de modèles open source, jusqu'à la création d'agents.
\n- \n
- Niveau : Intermédiaire (Python requis) \n
- Durée : ~30+ heures de contenu sur plus de 200 cours ; comptez 6 à 8 semaines avec projets \n
- Coût : Souvent fortement remisé lors des promotions fréquentes d'Udemy \n
- Idéal pour : les développeurs qui veulent un parcours d'ingénierie LLM couvrant modèles propriétaires et open source \n
L'instructeur, Ed Donner, est un ancien CEO d'une startup IA et ex-Managing Director chez JPMorgan Chase. Le cours progresse de la structuration des prompts et la compréhension de la tokenisation, à l'affinage de modèles open source avec LoRA et quantification, jusqu'à la construction de systèmes multi-agents.
\n3. The LLM Course — Hugging Face
\nThe LLM Course de Hugging Face est une excellente option pour les développeurs qui veulent comprendre les bibliothèques au cœur de la plupart des projets LLM open source : Transformers, Datasets, Tokenizers et Accelerate.
\n- \n
- Niveau : Débutant à intermédiaire \n
- Durée : ~15–20 heures, à votre rythme \n
- Coût : Gratuit, avec certificat disponible \n
- Idéal pour : les développeurs qui veulent travailler directement avec des modèles open source et le Hub Hugging Face plutôt que de rester dans l'API d'un seul fournisseur \n
Parce qu'il est maintenu par Hugging Face et mis à jour au rythme de l'écosystème, c'est un choix sûr pour éviter les API obsolètes — même s'il penche naturellement vers l'écosystème Hugging Face plutôt que de passer en revue les alternatives commerciales.
\n\n
4. ChatGPT Prompt Engineering for Developers — DeepLearning.AI
\nChatGPT Prompt Engineering for Developers, enseigné par Isa Fulford (OpenAI) et Andrew Ng, est une excellente option pour les développeurs qui veulent une introduction rapide et ciblée à l'appel d'un LLM via API plutôt que via une fenêtre de chat.
\n- \n
- Niveau : Débutant à intermédiaire \n
- Durée : ~1,5 heure \n
- Coût : Gratuit \n
- Idéal pour : les développeurs qui veulent passer du prompting manuel dans ChatGPT à l'appel programmatique d'un LLM et à la création de petites applications par-dessus \n
Le cours explique le fonctionnement interne des LLM, deux principes clés pour rédiger des prompts efficaces, et comment les utiliser pour des tâches comme le résumé, l'analyse de sentiment, la transformation de texte, ou l'expansion de notes courtes en textes longs, avant de conclure par la création d'un chatbot personnalisé. Il est volontairement court et suppose des bases en Python, ce qui en fait une bonne rampe d'accès avant un parcours plus long.
\n5. Prompt Engineering for ChatGPT — Vanderbilt University (Coursera)
\nPrompt Engineering for ChatGPT, enseigné par le Dr Jules White (Vanderbilt), est une excellente option pour développeurs comme non-développeurs qui veulent une base rigoureuse en technique de prompting, indépendamment de tout framework ou code spécifique.
\n- \n
- Niveau : Débutant (aucune expérience préalable requise) \n
- Durée : ~19 heures \n
- Coût : Audit gratuit ; abonnement Coursera pour le certificat \n
- Idéal pour : les apprenants qui veulent maîtriser des schémas et techniques de prompting transférables entre ChatGPT, Claude et autres LLM conversationnels \n
Le cours montre comment appliquer efficacement le prompt engineering, utiliser des schémas de prompting pour obtenir des comportements plus avancés, et créer des applications pilotées par les prompts pour le travail ou des projets personnels.
\n6. Generative AI: Introduction to Large Language Models — LinkedIn Learning
\nGenerative AI: Introduction to Large Language Models, enseigné par Fred Nwanganga, est une bonne option pour les développeurs et responsables techniques qui veulent une explication claire, sans code, du fonctionnement des LLM avant de toucher à une API.
\n- \n
- Niveau : Débutant \n
- Durée : Moins de 2 heures \n
- Coût : Abonnement LinkedIn Learning (souvent inclus avec les médiathèques) ; essai gratuit disponible \n
- Idéal pour : les développeurs qui veulent un modèle conceptuel clair — réseaux de neurones, transformers, encodeurs et décodeurs, attention — avant d'écrire la moindre ligne de code \n
Le cours couvre ce que sont l'IA générative et les LLM, leur évolution, les bases de l'apprentissage profond sur lesquelles ils reposent, et la mécanique de l'architecture transformer, y compris l'attention et l'auto-attention, avant de conclure par un regard sur les implications sociétales de ces modèles.
\n7. Essentials of Large Language Models: A Beginner's Journey — Educative
\nEssentials of Large Language Models d'Educative est une bonne option pour les développeurs qui préfèrent des leçons textuelles et interactives plutôt que la vidéo, et qui veulent un modèle mental au niveau système du fonctionnement réel des LLM.
\n- \n
- Niveau : Débutant \n
- Durée : À votre rythme, basé sur texte et code \n
- Coût : Abonnement Educative \n
- Idéal pour : les développeurs qui apprennent plus vite en lisant et en exécutant du code en ligne qu'en regardant un screencast, et qui veulent comprendre le \"pourquoi\" derrière le comportement des LLM, pas seulement les appels d'API \n
Le cours couvre les fondamentaux des LLM depuis les premiers principes — architecture, tokenisation, embeddings, attention et dynamiques d'entraînement — avant de passer à des workflows pratiques pour le prompting et l'intégration d'outils pour des réponses dynamiques.
\nTableau comparatif des meilleurs cours LLM
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n
\n| Rang | Cours | Format d'apprentissage | Profondeur du programme | Coût / signal sur les résultats |
|---|---|---|---|---|
| 1 | Introduction to LLMs in Python — DataCamp | Natif IA, pratique | Architecture des transformers, fine-tuning, Hugging Face | Démarrage gratuit ; AI Tutor personnalise chaque leçon |
| 2 | LLM Engineering — Udemy | Bootcamp vidéo | APIs, fine-tuning (LoRA), agents, projets de bout en bout | Fréquemment en promotion ; badge \"bestseller\" |
| 3 | The LLM Course — Hugging Face | Cours interactif gratuit | Transformers, Tokenizers, Datasets, fine-tuning | Gratuit ; maintenu directement par Hugging Face |
| 4 | ChatGPT Prompt Engineering for Developers — DeepLearning.AI | Vidéo courte | Prompting via API, résumé, transformation de texte | Gratuit ; ~1,5 heure |
| 5 | Prompt Engineering for ChatGPT — Vanderbilt | Cours vidéo | Schémas de prompts, applications basées sur les prompts | Audit gratuit ; certificat Coursera |
| 6 | Generative AI: Introduction to LLMs — LinkedIn Learning | Vidéo courte | Bases des réseaux de neurones, architecture transformer, attention | Abonnement LinkedIn Learning ; essai gratuit disponible |
| 7 | Essentials of LLMs: A Beginner's Journey — Educative | Interactif, basé sur le texte | Architecture, tokenisation, embeddings, attention | Abonnement Educative ; format sans vidéo |
Author
Josef Waples
Je suis rédacteur et éditeur dans le domaine de la science des données. Je suis particulièrement intéressé par l'algèbre linéaire, les statistiques, R, etc. Je joue également beaucoup aux échecs !
FAQs
Do I need to know Python to take an LLM course?
Pour la plupart des cours pratiques de cette liste — DataCamp, le cours Hugging Face, ainsi que les cours Udemy et Databricks — oui, des bases en Python et une familiarité avec les API sont attendues. Les cours de prompting de Vanderbilt et le certificat professionnel d'IBM sont plus accessibles aux non-développeurs, car ils s'appuient davantage sur la technique de prompting que sur le code.
What's the difference between a prompt engineering course and an LLM engineering course?
Un cours de prompt engineering vous apprend à obtenir de meilleurs résultats d'un modèle existant en soignant la formulation des requêtes — sans code. Un cours d'ingénierie LLM vous apprend à bâtir des systèmes autour d'un modèle : appels d'API, affinage de modèles open source, gestion des embeddings et de la recherche (retrieval), et déploiement du résultat.
Which LLM course is best for absolute beginners?
Le cours Prompt Engineering for ChatGPT de Vanderbilt ne suppose aucune expérience préalable et constitue un point de départ non technique pertinent. Pour les débutants qui souhaitent coder, le cours Introduction to LLMs in Python de DataCamp est conçu pour être abordable, avec l'AI Tutor qui comble les lacunes au fil de l'eau.
Should I learn open-source LLMs (Hugging Face) or commercial APIs (OpenAI, Anthropic, Google) first?
La plupart des développeurs en activité finissent par avoir besoin des deux. Les API commerciales permettent de construire plus vite ; les modèles open source vous apprennent ce qui se passe réellement sous le capot et vous donnent la main sur l'affinage, l'hébergement et les coûts. Des cours comme ceux de DataCamp et Hugging Face privilégient l'open source ; le bootcamp LLM Engineering d'Udemy et les formats courts de DeepLearning.AI couvrent les deux approches.
How long does it take to learn LLMs well enough to build with them?
Un cours court (1–3 heures) suffit pour être à l'aise avec l'appel d'une API et la rédaction de prompts corrects. Une compréhension opérationnelle, côté code, des transformers, du fine-tuning et du RAG prend généralement 15 à 30 heures via un cours comme ceux de DataCamp, Hugging Face ou Databricks. Aller assez loin pour affiner et déployer des systèmes en production, comme dans le bootcamp Udemy LLM Engineering, représente plus réalistement un engagement de 6 à 8 semaines.