Support & Downloads

Quisque actraqum nunc no dolor sit ametaugue dolor. Lorem ipsum dolor sit amet, consyect etur adipiscing elit.

s f

Contact Info
198 West 21th Street, Suite 721
New York, NY 10010
youremail@yourdomain.com
+88 (0) 101 0000 000
Follow Us

PyTorch - Deep Learning

réf : BDT-PT

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

Pré-requis

Maîtriser les bases du langage Python et de Numpy

Public concerné

Développeur, architectes, data analysts, data scientists…

Programme

  • 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

Équipe pédagogique

Professionnel expert dans le Big Data

Moyens pédagogiques et techniques

  • Espace intranet de formation.
  • Documents supports de formation projetés.
  • Exposés théoriques
  • Étude de cas concrets
  • Mise à disposition en ligne de documents supports à la suite de la formation.

Dispositif de suivi

  • Émargement numérique.
  • Mises en situation.
  • Formulaires d’évaluation de la formation.
  • Certificat de réalisation de l’action de formation.

Vous avez une question ?