### 1. Connaissances de base et commandes essentielles

 #### a. Installation et configuration initiale

- Installation sur Linux/Windows/macOS:

```bash
curl -fsSL https://ollama.com/install.sh | sh
```

- Vérifier l'installation :

```bash
ollama --version
```

- Lancer le serveur Ollama :

```bash
ollama serve
```
#### Commandes complètes de base

- Afficher les modèles disponibles :

	```bash
	ollama list
	```
	
- Télécharger un modèle précis :

```bash
	ollama pull llama3
```

- Lancer un prompt rapidement :

```bash
ollma run llama3 "Quelle est la capitale de la France?"
```

- Gestion avancée des modèles :

```bash
ollama show llama3
ollama rm llama3
```

#### c. Utilisation des commandes GPU Nvidia (spécifique H100)
-  Vérification GPU disponible:
```bash
	nivdia-smi
```
- Configuration spécifique GPU Nvidia pour Ollama:
	- Ollama utilise automatiquement CUDA lorsqu'un GPU Nvidia est disponible, mais vérifier le support CUDA
```bash
	nvcc --version
```
- Monitoring GPU durant l'utilisation Ollama :
```bash
	watch -n 1 nvidia-smi
```
- Optimisation d'utilisation GPU (exemple H100) :
	- S'assurer d'avoir installé CUDA Toolkit 12.x (compatible H100).
	- Gestion des ressources GPU (notamment via variables d'environnement si besoin spécifique) :
```bash
	export CUDA_CISIBLE_DEVICES=0 #pour préciser le GPU à utiliser
```
---
### 2. Connaissances globales sur Ollama

#### a. Architechture générale d'Ollama
- Composants principaux :
	- Ollama server (gestion des requêtes et des modèles)
	- Modèles supportés (LLaMa, Gemma, Mistral, LLaVA, Codellama...)
	- Communication via REST API locale
#### b. Modèles disponibles et usages recommandés
- Modèles linguistiques (LLM) généraux (LLaMA3, Mistral, Mixtral...)
- Modèles spécialisés (CodeLLaMA pour code, LLaVA pour multimodal...)
#### c. Bonnes pratiques
- Gestion et stockage des modèles (volumes importants)
- Mise à jour régulière des modèles
- Structuration simple des requêtes de test
---
### 3. Connaissances poussées et avancées

#### a. Déploiement en production (serveur, VM, cloud)
- Dockerisation Ollama
```bash
docker run -d -p 11434:11434 -v ~/.ollama:/root/.ollama ollama/ollama
```
- Automatisation (docker-compose, Kubernetes)

#### b. Modèles avancés et optimisation

- Fine-tuning personalisé (concept théorique, actuellement limité sur Ollama)
- Création de modèles personnalisés via Ollama (ollama create)
#### c. Benchmark et évaluation de performances

- Tests de vitesse et de latence des modèles:
```bash
ollma run --verbose llama3 "test de performance"
```
- Monitoring continu et logging avancé
---
### 4. Approfondissement de l'API Ollama

#### a. Structure