Apprentissage profond avec PyTorch

Aperçu

Introduction complète à l'apprentissage profond avec PyTorch, couvrant les fondamentaux, les applications de la vision par ordinateur et la création pratique de modèles pour les passionnés d'IA et les développeurs.

Programme

• Introduction à l'apprentissage profond et PyTorch
Qu'est-ce que l'apprentissage profond ?
Aperçu de PyTorch
Configuration de l'environnement PyTorch
• Bases de PyTorch
Tenseurs dans PyTorch
Introduction à Autograd et aux graphes de calcul dynamiques
Construction et entraînement d'un modèle simple
• Réseaux de neurones avec PyTorch
Compréhension des réseaux de neurones
La classe nn.Module
Fonctions d'activation
Fonctions de perte et optimisation
• Modèles d'apprentissage profond
Réseaux de neurones convolutionnels (CNNs)
Notions de base des CNNs
Implémentation des CNNs dans PyTorch
Réseaux de neurones récurrents (RNNs)
Notions de base des RNNs
Implémentation des RNNs dans PyTorch
• Applications pratiques en vision par ordinateur
Classification d'images
Apprentissage par transfert et modèles pré-entraînés
Détection et segmentation d'objets
• Entraînement et optimisation des modèles
Chargement et augmentation de données
Réglage des hyperparamètres
Utilisation des GPUs pour l'entraînement
• Sujets avancés
Réseaux antagonistes génératifs (GANs)
Modèles séquence à séquence
Notions de base de l'apprentissage par renforcement
• Projets réels et études de cas
Projet : création d'un classificateur d'images
Étude de cas : PyTorch dans les applications industrielles
Projet de groupe : développement d'un modèle de bout en bout
• Conclusion et étapes suivantes
Révision et résumé des concepts clés
Ressources pour un apprentissage approfondi
Présentation et feedback du projet de synthèse
• Examen final et certificat de réussite

---

Sujets

Conversations de conférence