PyTorch - Deep Learning
Formation créée le 19/05/2021. Dernière mise à jour le 25/07/2022.
Version du programme : 1
Programme de la formation
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