PyTorch - Deep Learning

Formation créée le 19/05/2021. Dernière mise à jour le 25/07/2022.
Version du programme : 1

Type de formation

Formation à distance

Durée de formation

21 heures (3 jours)

PyTorch - Deep Learning


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

Objectifs de la formation

  • 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

Profil des bénéficiaires

Pour qui
  • Développeur, architectes, data analysts, data scientists…
Prérequis
  • Maîtriser les bases du langage Python et de Numpy

Contenu de la 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

Équipe pédagogique

Professionnel expert dans le Big Data

Suivi de l'exécution et évaluation des résultats

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

Ressources techniques et pédagogiques

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

Qualité et satisfaction

Taux de satisfaction des stagiaires Progression des compétences visées Taux d'abandon Taux de retour des enquêtes Taux d'interruption en cours de prestation