PyTorch – Deep Learning

0 Enrolled
21 heures
  • 21 heures
  • 43
  • 0
  • no
2,100.00€

Aperçu du cours

Objectif de formation : Comprendre le Deep Learning et savoir utiliser PyTorch dans ce contexte.

Prérequis

  • Maîtriser les bases du langage Python et de Numpy

Objectifs pédagogiques

  • Appréhender le concept de Deep Learning
  • Savoir utiliser PyTorch pour un usage de Deep Learning
  • Être capable d’utiliser les ressources web pour construire un bibliothèque de cas d’usage
  • Pouvoir installer et utiliser PyTorch / Fastai
  • Appréhender le concept de Machine Learning et se servir de PyTorch pour cette utilisation

Public ciblé

  • Développeur, architectes, data analysts, data scientists…

Programme de formation

  • Présentation du 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 et premiers pas avec PyTorch

    • 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

  • Les CNN et le traitement d'images

    • 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

  • MLP et données tabulaires

    • 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

  • Traitement du texte

    • Les words embeddings

    • Utilisation avec Spacy

    • Les sentences embeddings

    • La librairie Universal Sentence Encoder

    • Flair et HuggingFace : le NLP

  • Pour aller plus loin

    • LSTM : applications et architectures

    • RNN, LSTM & GRU

    • Le mécanisme d’attention

    • Créer un LSTM

    • Application à la prédiction de séries temporelles

Instructeur

Avatar de l’utilisateur

bprigent

0.0
0 commentaire
0 Students
491 Courses
Main Content