Formation PyTorch Fast.Ai : Deep Learning

0,0 rating
Logo Formation PyTorch Deep Learning

2100€

1890€HT/ personne

3 jours (21 heures)

Interentreprises

­Paris

Disponible en intraentreprise 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 1.0.1 à la date de l’article de février 2019.

 

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

  • Connaitre un autre langage de programmation, avoir une familiarité générale avec C / C++ est un plus, et un intérêt pour l’intelligence artificielle (AI)
  • Pour les participants avec un laptop GPU, une installation du toolkit Cuda, si possible sur partition Ubuntu, est prévue

 

Pour aller plus loin

Programme de la formation PyTorch

 

 

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

  • Les limites du Machine Learning
  • Avantages du Deep Learning face au Machine learning
  • Les raisons de passer au Deep
  • Exemples de la vie réelle et scénarios applicables
  • Les Mathématiques derrière le Machine Learning :
  • Algèbre Linéaire
  • Statistiques
  • Les typologies d’algorithmes du Machine Learning
  • Supervisé
  • Non-supervisé
  • Reinforcement Learning
  • Underfitting & Overfitting & Generalization (courbe d’apprentissage)
  • Optimisation
  • Convex Optimization

 

Présentation de Pytorch v1 – v0.4

Présentation de fastai v1 – v0.7

Présentation des notebooks fastai et des MOOC

  • associés soit une trentaine d’heures de vidéos, réparties en quatorze leçons, dont le cours extraira les points essentiels.
  • Navigation dans les ressources associées : forums, wikis.

 

 

Introduction aux CNN

  • Mise en application et architecture d’un CNN
  • Comprendre et visualiser un CNN
  • Couches de convolution et de mise en commun dans une CNN
  • Transfert d’apprentissage et mise au point des réseaux de neurones convolutionnels

 

  • TP1 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)

Jour 2 – Utiliser les données structurées

  • Embedding
  • TP : Prévision des ventes

 

Introduction au RNN Model

  • Application au texte, NLP
  • Classification
  • Word2Vec
  • Manipulation image+texte (Devise)

 

Cas d’utilisation du RNN

  • Modeling sequences
  • Apprentissage RNNs avec Backpropagation
  • Long Short-Term memory (LSTM)
  • Recurrent Neural Network Model
  • TP : Moteur de recommandation

 

Jour 3 – Retour sur CNN

  • Segmentation d’images
  • Approfondissement
  • Tuning d’algo
  • Pipeline de ML, Auto ML
  • TP : participation à un challenge Data suivant appétence des stagiaires sur Kaggle ou autres
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

Bruno

Bruno

Consultant Data scientist / Data Engineer. Informaticien tombé dans la data il y a 2012 ans avec la montée des bases NoSQL et des clusters Hadoop avec Spark. Co-organisateur du meetup Kaggle Paris, il suit les avancées dans le domaine du machine learning et data avec la communauté des Meetup sur Paris.
Maxence

Maxence

Entrepreneur spécialiste en Intelligence Artificielle, il est le co-fondateur et CTO de Boby, un assistant personnel d’un nouveau genre. Son temps se divise entre du développement d’architectures de réseaux de neurones très orientés vers le domaine du NLP et du développement serveur en NodeJS.

Témoignages

vAfficher tous les témoignages

Noter la formation

2100€

1890€HT/ personne

3 jours (21 heures)

Interentreprises

­Paris

Disponible en intraentreprise pour former votre équipe.

Une question ? Un projet ?

Pour des informations complémentaires, n’hésitez pas à nous contacter.