Apprentissage profond : Entraîner des réseaux neuronaux et déployer avec Docker

Aperçu

This Deep Learning and Neural Networks in Production course equips you with the skills to design, train, and deploy neural networks using PyTorch, TensorFlow, FastAPI, and Docker. Whether you're building models from scratch or serving them in production, this course bridges the gap between deep learning theory and real-world deployment.

In Module 1, you'll explore the foundations of neural networks — building and training feed-forward networks, understanding activations, losses, and optimizers in PyTorch. Module 2 focuses on robust training and validation loops, experiment tracking with TensorBoard and Weights & Biases, and checkpoint analysis.

Module 3 covers packaging trained models for inference, serving them via FastAPI, and evaluating latency and reliability. Module 4 teaches containerization with Docker, production monitoring, logging, and scaling strategies.

By the end of this course, you will:

- Design and train neural networks using PyTorch and TensorFlow - Track and visualize model performance using TensorBoard and Weights & Biases - Serve trained deep learning models through FastAPI for real-time inference - Package, deploy, and scale deep learning applications with Docker in production Disclaimer:

This is an independent educational resource created by Board Infinity for informational and educational purposes only. This course is not affiliated with, endorsed by, sponsored by, or officially associated with any company, organization, or certification body unless explicitly stated.

The content provided is based on industry knowledge and best practices but does not constitute official training material for any specific employer or certification program. All company names, trademarks, service marks, and logos referenced are the property of their respective owners and are used solely for educational identification and comparison purposes.

Programme

• Fondements des réseaux de neurones
Couvre les concepts fondamentaux des réseaux de neurones incluant l'architecture, les activations, les pertes, les optimiseurs et l'implémentation en PyTorch.
• Entraînement, Validation & Suivi des modèles
Se concentre sur la mise en œuvre de boucles d'entraînement et de validation robustes, le suivi des expériences à l'aide de TensorBoard ou Weights & Biases, et l'analyse des points de contrôle pour obtenir des perspectives.
• Déploiement de modèles d'apprentissage profond
Couvre l'empaquetage des modèles d'apprentissage profond entraînés pour l'inférence des API, le déploiement des modèles via FastAPI et le test et la mesure des performances d'inférence. Durée : 4 heures.
• Conteneurisation & Intégration en Production
Couvre la conteneurisation des API d'apprentissage profond avec Docker, l'intégration de la journalisation, la gestion des erreurs et la configuration, et le déploiement et la mise à l'échelle des services DL en production. Durée : 4 heures.

---

Enseigné par

Board Infinity

---

Matières

Computer Science