Aller au contenu
Demander un devis
Intelligence artificielle (IA) 💰 CPF éligible

Deep Learning avec PyTorch

Avancé
présentiel, distanciel

Objectifs pédagogiques

  • Construire des réseaux de neurones.
  • Entraîner et évaluer des modèles.
  • Optimiser et déboguer les architectures.
  • Déployer des modèles DL.

Programme détaillé

Module 1 Comprendre les principes du Deep Learning
  • Comprendre les principes fondamentaux du Deep Learning.
  • Identifier les cas d’usage adaptés aux réseaux neuronaux.
  • Situer PyTorch dans l’écosystème des frameworks Deep Learning.
Module 2 Manipuler les tenseurs avec PyTorch
  • Comprendre le rôle des tenseurs dans PyTorch.
  • Manipuler les structures de données utilisées par les modèles.
  • Préparer les données sous une forme compatible avec l’entraînement.
Module 3 Préparer les données pour l’entraînement
  • Structurer les données pour l’entraînement d’un modèle PyTorch.
  • Utiliser les composants de chargement de données.
  • Préparer un jeu d’entraînement, de validation et de test.
Module 4 Construire un premier réseau neuronal avec PyTorch
  • Construire une première architecture de réseau neuronal.
  • Comprendre le rôle des couches et de la propagation avant.
  • Préparer le modèle pour l’entraînement.
Module 5 Entraîner un modèle Deep Learning
  • Mettre en œuvre une boucle d’entraînement PyTorch.
  • Comprendre le rôle de la fonction de perte et de l’optimiseur.
  • Suivre l’évolution de l’apprentissage.
Module 6 Évaluer les performances d’un modèle
  • Évaluer un modèle sur des données non vues.
  • Choisir les métriques adaptées au problème traité.
  • Interpréter les résultats obtenus.
Module 7 Optimiser et déboguer une architecture PyTorch
  • Identifier les causes d’un modèle peu performant.
  • Ajuster les hyperparamètres.
  • Corriger les erreurs fréquentes dans une architecture PyTorch.
Module 8 Concevoir des architectures adaptées aux cas d’usage
  • Adapter l’architecture du modèle au type de données.
  • Comprendre les principales familles d’architectures Deep Learning.
  • Identifier les choix de conception pertinents selon le cas d’usage.
Module 9 Sauvegarder, recharger et préparer un modèle au déploiement
  • Sauvegarder un modèle PyTorch entraîné.
  • Recharger un modèle pour réaliser des prédictions.
  • Comprendre les premières étapes d’un déploiement.
Module 10 Cas pratique de synthèse
  • Mobiliser l’ensemble des acquis de la formation.
  • Construire un modèle Deep Learning complet avec PyTorch.
  • Présenter et justifier les choix réalisés.

Prérequis

  • Connaissances en Python, ML et mathématiques

Public visé

  • Data scientists
  • AI engineers

Modalités de la formation

  • 📍 Format : présentiel, distanciel
  • 📊 Niveau d'entrée : Avancé
  • 👥 Effectif : 4 à 12 stagiaires (groupe restreint)
  • 🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
  • ♿ Accessibilité : Formations accessibles aux personnes en situation de handicap. Contactez notre référent handicap.
🏆
Passage de la certification obligatoire

Cette formation se conclut par le passage d'une certification officielle, indispensable à la validation de votre parcours.

Allez plus loin

Formations similaires

Dans le même domaine et au niveau Avancé.

👀 Cross-sell

Les apprenants ont aussi consulté

D'autres formations populaires qui pourraient compléter votre parcours.