PyTorch – Deep Learning

Définition du Machine Learning

Typologies d’algorithmes de Machine learning: supervisé, non-supervisé, semi-supervisé, auto-supervisé, apprentissage par renforcement

L’apprentissage: sous-apprentissage, sur-apprentissage, généralisation, métrique, évaluation

Les mathématiques appliquées au Machine Learning

Les apports et limites du Deep Leaning

Pourquoi passer au Deep Learning

Introduction de PyTorch

Introduction aux surcouches fastai & PyTorch lightning

Installation de PyTorch

Google Collab

Utilisation de Python comme Numpy

Les divers cas d’usages

Construire un module réseau de neurones

Charger un DataSet, le découper en version d’entrainement et de test avec PyTorch & Sklearn

Visualisation des résultats par les métriques Sklearn et Tensorboard

Optimiser les hyperparamètres et principes du AutoML

Sauvegarder et restaurer un modèle

Les callbacks

Application et architecture d’une CNN

Appréhender et visualiser un CNN & le produit de convolution

Couches de convolution et de mise en commun dans une CNN

Transfert d’apprentissage

Réglages des réseaux de neurones convolutionnels

Backpropagation et implémentation en PyTorch

Classification d’images

Création de CNN avec PyTorch vs avec FastAI

Concept d’embedding & réduction de dimension sémantique

Charger de données CSV par Pandas

Créer des variables quantitatives depuis des variable qualitative/catégorielles

Traiter les données manquantes

Normalisation par Pandas puis FastAI

Créer un autoencodeur

Les applications à la visualisation et au clustering

Les words embeddings

Utilisation avec Spacy

Les sentences embeddings

La librairie Universal Sentence Encoder

Flair et HuggingFace : le NLP

LSTM : applications et architectures

RNN, LSTM & GRU

Le mécanisme d’attention

Créer un LSTM

Application à la prédiction de séries temporelles