Description de la formation

La formation Deep Learning avec PyTorch s’adresse aux data scientists, développeurs IA et professionnels souhaitant maîtriser les réseaux de neurones profonds. Sur 21 heures, vous apprendrez à construire, entraîner et optimiser des modèles de deep learning avec PyTorch, framework de référence en intelligence artificielle.

Au programme : architecture des réseaux de neurones, backpropagation, optimisation des modèles, traitement d’images et NLP. Vous manipulerez des cas d’usage réels et développerez une expertise opérationnelle immédiatement applicable en production.

Disponible en distanciel et présentiel, cette formation de niveau avancé s’adapte à votre contexte professionnel. Un accompagnement pédagogique est prévu tout au long du parcours.

La formation est dispensée par ESIC, organisme certifié Qualiopi. Des financements peuvent être mobilisés selon la situation du bénéficiaire, notamment via un OPCO, France Travail, l’entreprise ou l’autofinancement.

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

⏱ Durée : 21h
📍 Format : 100% en ligne (distanciel synchrone) · Présentiel (Malakoff / Paris)
💰 Financements éligibles : OPCO · France Travail · Plan entreprise · Autofinancement
📊 Niveau d'entrée : Avancé
🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
🗓️ Délai d'accès : variable selon le mode de financement, généralement de 11 jours ouvrés à 1 mois après l'inscription. En savoir plus.
♿ Accessibilité : Chaque demande émanant d'une personne en situation de handicap fait l'objet d'une étude de faisabilité et d'adaptation. Contactez notre référent handicap.

Équipe pédagogique

Nos formations sont conçues et animées par une équipe de formateurs experts, sélectionnés pour leur double compétence : une expertise métier acquise sur le terrain et une réelle expérience pédagogique. Le suivi de chaque apprenant est assuré par un référent pédagogique dédié.

Formateurs professionnels spécialistes de leur domaine, en veille permanente sur les évolutions du secteur
Référent pédagogique dédié, disponible tout au long du parcours
Contenus régulièrement actualisés et adaptés au niveau de chaque participant
Référent handicap pour l'accueil et l'adaptation des personnes en situation de handicap

Ressources pédagogiques

support pédagogique numérique
environnement Python configuré pour les travaux pratiques
notebooks ou scripts d’exercices
jeux de données d’entraînement
exemples d’architectures PyTorch
exemples de boucles d’entraînement
exemples de sauvegarde et rechargement de modèles
fiches de synthèse sur les fonctions de perte, optimiseurs et métriques
corrigés ou éléments de correction
ressources complémentaires pour approfondissement
Les participants reçoivent le support pédagogique du module, les jeux de données utilisés pendant la formation, les notebooks ou scripts de démonstration, les exercices pratiques, les éléments de correction, une fiche mémo sur les composants principaux de PyTorch, une fiche de synthèse sur les fonctions de perte et optimiseurs, des exemples de boucles d’entraînement, des exemples de sauvegarde et rechargement de modèles, une bibliographie ou sitographie indicative pour approfondissement.

Suivi de l'exécution et évaluation

Questions de validation sur les tenseurs, DataLoader et structure d’un modèle PyTorch.
Vérification du premier réseau construit par les participants.
Analyse d’une courbe d’apprentissage.
Identification de pistes d’amélioration d’un modèle.
Vérification de la capacité à corriger une erreur courante.
Le cas pratique de synthèse permet de vérifier la capacité du participant à construire, entraîner, évaluer, optimiser et préparer au déploiement un modèle Deep Learning avec PyTorch.
Les critères d’évaluation portent notamment sur la capacité à manipuler les tenseurs PyTorch, préparer les données pour l’entraînement, construire une architecture de réseau neuronal, implémenter une boucle d’entraînement, entraîner et évaluer un modèle, interpréter les courbes d’apprentissage, identifier et corriger des erreurs fréquentes, optimiser une architecture, sauvegarder, recharger et utiliser un modèle en inférence.

Accessibilité

Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre prévu.

Deep Learning avec PyTorch

Description de la formation

Objectifs pédagogiques

Programme détaillé

Prérequis

Public visé

Modalités de la formation

Équipe pédagogique

Ressources pédagogiques

Suivi de l'exécution et évaluation

Accessibilité

Formations similaires

Développer un assistant conversationnel avec Rasa et LlamaIndex

Gestion du cycle de vie des modèles avec MLflow

Deep Learning avec TensorFlow

Les apprenants ont aussi consulté

Expert en systèmes d’information et sécurité

Préparation à la certification LILATE Test d’aptitude à travailler en japonais (RS7320)

Préparation à la certification LILATE Test d’aptitude à travailler en langue des signes (RS6796)