Formation deep learning avec Pytorch
La formation deep learning avec Pytorch permet une immersion technique totale en équilibrant théorie et pratique. Elle est destinée essentiellement à des profils techniques (data scientists, ML engineers, développeurs Python, etc.) qui souhaitent acquérir des connaissances avancées en deep learning.
Objectifs de la formation
Cette formation intensive permet de :
-
Comprendre les principes fondamentaux du deep learning.
-
Maîtriser les différentes techniques de deep learning et ses applications.
-
Maîtriser le framework Pytorch pour pouvoir mettre en oeuvre de manière autonome des modèles de deep learning.
-
Acquérir une méthodologie solide pour préparer, entraîner et optimiser un réseau de neurones profond.
Programme de la formation
Le programme alterne entre partie théorique et mise en pratique avec Pytorch. Les concepts théoriques sont détaillés de manière approfondie et intuitive. La mise en pratique concerne des cas d'usage réels.
Introduction au deep learning
-
Brève histoire de l'intelligence artificielle
-
IA symbolique vs. IA connexionniste
-
Aux origines des neurones artificielles
Fondamentaux du deep learning
-
Le monde comme représentation
-
Perceptron multicouches
-
Neurone artificielle
-
Fonctions d'activation
-
Descente stochastique du gradient
-
Techniques avancées d'optimisation : Adam, RMSProp.
-
Rétropropagation du gradient
-
Batch normalisation
-
Régularisation et Dropout
-
Travaux pratiques sous Numpy et Pytorch
Framework Pytorch
-
Tenseurs : création, opérations, manipulation mémoire
-
Autograd : calcul automatique de gradients, requires_grad, torch.no_grad()
-
Modules & couches de base (nn.Module, Linear, Sequential...)
-
Dataset & DataLoader : création d’un jeu de données custom, batch, shuffle
-
Boucle d’entraînement générique : forward → loss → backward → update
-
Optimiseurs (SGD, Adam) & schedulers
-
Sauvegarde et chargement d’un modèle
-
Monitoring avec TensorBoard et métriques personnalisées
-
Mise en pratique
Deep learning pour le computer vision
-
Extraction hiérarchique de représentations
-
Convolution et pooling
-
Biais inductifs des CNN
-
Architectures classiques : LeNet, AlexNet, ResNet.
-
Modèles pré-entraînés et transfert learning
-
Evolution des architectures CNN
-
Détection d'objets et YOLO
-
Segmentation d'images et U-Nets
-
Réseaux de neurones siamois
-
GANs
-
Mise en pratique sous Pytorch
Deep learning pour le NLP et LLMs
-
Représentations distribuées
-
Modèle Word2Vec
-
RNN, GRU et LSTM
-
Transformers
-
Apprentissage auto-supervisé et BERT
-
Modèles auto-régressifs (GPT)
-
Supervised fine-tuning (SFT)
-
RLHF
-
Approximations bas rang
-
Mise en pratique sous Pytorch
Apprentissage multimodal
-
Importance des représentations
-
Modèle CLIP
-
Modèles génératifs
-
Modèles de diffusion
-
Mise en pratique sous Pytorch
-
Entretien téléphonique avec le formateur (10mn) pour s'assurer de l'adéquation de la formation avec le besoin du participant.
-
Envoi de la convention de formation.
-
Paiement après la formation et seulement si satisfait.