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
Enseigné par
Étiquettes
On-Demand
