Formations BigData & NoSQL Formation PyTorch Fast.Ai : Deep Learning

Formation PyTorch Fast.Ai : Deep Learning

Rated 0 out of 5
Logo Formation PyTorch Deep Learning
Prix 1995€ HT / personne
Durée 3 jours ( 21 heures )
Parcours CPF
Paris | à distance | FNE
Il ne reste que quelques places
Option OFFERTE de classe virtuelle (40€/j en supplément)
Disponible en intra-entreprise pour former votre équipe

Présentation

PyTorch et la librairie FastAI respectivement soutenus par Facebook Research (FAIR) et une communauté de développeurs autour de Jeremy Howard (co-fondateur de Kaggle) constituent un duo de choc pour découvrir de manière rapide la puissance des algorithmes de Deep Learning.

La release 1 de PyTorch sortie en décembre 2018 et la version v1 de fastai sont disponibles de manière transparente sur l’environnement kernel de Kaggle ou colab de Google.

Après un rappel succinct du paradigme du Machine Learning, et des différentes taches où le Deep Learning surpasse les méthodes traditionnelles, nous implémenterons les taches classiques comme la classification d’images, de textes, les vecteurs de mots, les auto-encoders. Au travers de l’environnement Anaconda, nous utiliserons CUDA proposé par NVIDIA pour accélérer nos traitements.
Suivant le déroulement du cours et TP, une participation à un ou plusieurs challenges data sur Kaggle (ou autre) sera organisée.
la comparaison avec le framework concurrent, TensorFlow de Google avec la libraire Keras (maintenant intégrée avec TF v2.0), sera abordée durant le cours.

À la fin du cours, les participants auront une compréhension approfondie des caractéristiques et des capacités de PyTorch, ainsi que de son rôle et de sa contribution dans l’IA par rapport à d’autres frameworks et bibliothèques. Les participants auront également reçu la pratique nécessaire pour mettre en œuvre PyTorch dans leurs propres projets.

Comme toutes nos formations, celle-ci vous présentera la dernière version stable en date et ses nouveautés : PyTorch 1.9.

 

Objectifs

  • Comprendre le concept de Deep Learning et être capable de l’utiliser avec pyTorch avec ou sans fast.ai
  • Savoir exploiter les ressources web ( github, arxiv) pour se constituer une bibliothèque de cas d’usages prête à l’emploi.
  • Être capable d’installer et d’utiliser Pytorch/ Fastai de manière autonome.
  • Comprendre le concept de Machine Learning et être capable de l’utiliser dans PyTorch

 

Public visé

Développeurs, Architectes, Big Data Data analyst / Data scientist

 

Pré-requis

Connaître python et numpy dans l’idéal.

 

Pour aller plus loin

Programme de la formation PyTorch

 

Jour 1 – matin : Deep Learning : La révolution de l’Intelligence Artificielle

  • Définition du machine learning comme problème d’optimisation
  • Les typologies d’algorithmes de machine learning : supervisé (classification, régression), non-supervisé, semi-supervisé, autosupervisé, apprentissage par renforcement
  • Sous-apprentissage, surapprentissage, généralisation (courbe d’apprentissage), métrique et évaluation
  • Les Mathématiques derrière le Machine Learning : algèbre linéaire, statistiques/probabilités, descente de gradient appliqué à la régression linéaire
  • Les avantages et limites du Machine Learning expliqués sur la régression logistique et le SVM
  • Avantages du Deep Learning face au Machine learning expliqués sur le MLP et les CNN
  • Les raisons de passer au Deep Learning
  • Exemples de la vie réelle et scénarios applicables
  • Présentation de Pytorch
  • Présentation des surcouches fastai et pytorch ligthning

 

Jour 1 – après-midi : Installation et prise en main de Pytorch : manipulation de vecteurs et tenseurs avec Pytorch

  • Installation : installation de Pytorch, anaconda, drivers ; Google Collab
  • Utiliser Pytorch comme Numpy : tenseurs, opérations et variables
  • Cas d’usages
  • Création d’un module réseau de neurones
  • Chargement d’un dataset et découpage en dataset de train et de test avec Pytorch et Sklearn
  • Utilisation de métriques Sklearn puis de Tensorboard pour la visualisation des résultats
  • Optimisation des hyperparamètres et principe du AutoML
  • Sauvegarder et restaurer un modèle
  • Utiliser les callbacks

 

Jour 2 – matin : Introduction aux CNN et application au traitement d’images

  • Mise en application et architecture d’un CNN (convolution, pooling, data augmentation)
  • Comprendre et visualiser un CNN et le produit de convolution
  • Couches de convolution et de mise en commun (classification) dans une CNN
  • Transfert d’apprentissage et mise au point des réseaux de neurones convolutionnels
  • Explication de la backpropagation sur un exemple et implémentation en Pytorch
  • Classification d’images de bout en bout : téléchargement d’une base d’apprentissage,(chien/chat, ours : teddy,grizzly,black bear), utilisation d’une architecture à l’état de l’art (ResNet) par transfer learning
  • Comparaison de la création d’un CNN avec Pytorch et FastAI

 

Jour 2 – après-midi : Multi Layer Perceptron (MLP) sur des données tabulaires

  • Explication du concept d’embedding et son importance pour la réduction de dimension sémantique
  • Chargement de données csv avec la librairie Pandas
  • Création de variables quantitatives à partir de variables qualitatives/catégorielles, traitement des données manquantes (nan values), normalisation avec Pandas puis FastAI
  • Création d’un auto-encodeur
  • Application à la visualisation (PCA, T-SNE, UMAP) et clustering d’embeddings (application à la recommandation d’items)

 

Jour 3 – matin : Traitement du texte

  • Explication des words embeddings
  • Utilisation avec la librairie Spacy (word2vec, CBOW, Glove, TF-IDF)
  • Explication des sentences embeddings
  • Utilisation avec la librairie Universal Sentence Encoder
  • Utilisation des librairies Flair et HuggingFace pour des tâches classiques de NLP (sentiment analysis français et anglais, prédiction, …)

 

Jour 3 – après-midi : Introduction aux LSTMs et application à l’analyse et prédiction de séries temporelles

  • Mise en application et architecture d’un LSTM (séquence à séquence, prédiction/many-to-one, …)
  • RNN vs LSTM vs GRU
  • Explication du mécanisme d’attention (vs Transformer)
  • Création d’un LSTM
  • Application pour de la prédiction de séries temporelles (cours boursiers ou ventes)
Langues et Lieux disponibles

Langues

  • Français
  • Anglais / English

Lieux

  • France entière
    • Paris
    • Lille
    • Reims
    • Lyon
    • Toulouse
    • Bordeaux
    • Montpellier
    • Nice
    • Sophia Antipolis
    • Marseille
    • Aix-en-Provence
    • Nantes
    • Rennes
    • Strasbourg
    • Grenoble
    • Dijon
    • Tours
    • Saint-Étienne
    • Toulon
    • Angers
  • Belgique
    • Bruxelles
    • Liège
  • Suisse
    • Genève
    • Zurich
    • Lausanne
  • Luxembourg

Nos Formateurs Référents

Benjamin

Benjamin

Entrepreneur et formateur en Data Science et Big Data (No-SQL, MongoDB, Spark/Hadoop) depuis près de 5 années, j’ai un parcours académique d’expertise en recherche et développement en Deep Learning. Avec plusieurs projets autour du multimédia et de la multimodalité en vision et traitement d’images, du son et Natural Language Processing.

Témoignages

vAfficher tous les témoignages

Noter la formation
Prix 1995€ HT / personne
Durée 3 jours ( 21 heures )

Parcours CPF
Paris | à distance | FNE
Il ne reste que quelques places
Option OFFERTE de classe virtuelle (40€/j en supplément)
Disponible en intra-entreprise pour former votre équipe

UNE QUESTION ? UN PROJET ? UN AUDIT DE CODE / D'INFRASTRUCTURE ?

Pour vos besoins d’expertise que vous ne trouvez nulle part ailleurs, n’hésitez pas à nous contacter.

ILS SE SONT FORMÉS CHEZ NOUS

client
client
client
client
client
client
client
client
client
client
client
client
client
client
client
client
client
client
client
client