Description
Objectif de formation : Comprendre le Deep Learning et savoir utiliser PyTorch dans ce contexte.
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 concerné
Développeur, architectes, data analysts, data scientists…
Prérequis
Maîtriser les bases du langage Python et de Numpy
Déroulé du programme
1
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
2
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
3
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
4
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
5
Traitement du texte
- Les words embeddings
- Utilisation avec Spacy
- Les sentences embeddings
- La librairie Universal Sentence Encoder
- Flair et HuggingFace : le NLP
6
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
Informations
Durée
3 jour(s)
21h
Tarif
2100 € HT
HT
Formations similaires
IA & Data
Migration vers le Cloud
2 jour(s)
Sur demande
IA & Data
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
3 jour(s)
Sur demande
IA & Data
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
1 jour(s)
Sur demande
IA & Data
Analyse des données avec Microsoft Power BI (4-167)
3 jour(s)
2200 € HT