Ce que vous apprendrez ?
- Déployer un modèle PyTorch entraîné sur une plateforme de votre choix (ex: CPU, GPU, cloud).
- Mettre en œuvre et interpréter des techniques de régularisation pour prévenir le surapprentissage.
- Utiliser des techniques d'optimisation pour améliorer la performance des modèles d'apprentissage profond.
- Implémenter des couches neuronales personnalisées et des fonctions d'activation dans PyTorch.
- Construire et entraîner des modèles d'apprentissage profond simples à l'aide de PyTorch.
Prérequis
- Connaissance de base de la programmation orientée objet. Familiarité avec le langage Python (structures de données, boucles, fonctions). Connaissance des bases de l'algèbre linéaire (vecteurs, matrices, opérations matricielles). Compréhension des concepts de base du calcul (dérivées, gradients). Familiarité avec les concepts de base de l'apprentissage automatique (apprentissage supervisé, apprentissage non supervisé). Capacité à utiliser la ligne de commande. Accès à un ordinateur avec une connexion internet stable. Installation de Python et d'un gestionnaire de paquets (pip ou conda). Motivation et engagement à apprendre activement. Capacité à travailler de manière indépendante et en équipe (selon le format du cours).
Contenu de la Formation
-
Installation et configuration de PyTorch
-
Tenseurs: création, manipulation et opérations
-
Autograd: calcul automatique des gradients
-
Construction de modèles simples avec nn.Module
-
Perceptron multicouche (MLP)
-
Entraînement d'un MLP avec descente de gradient
-
Optimisation : choix des algorithmes (SGD, Adam)
-
Évaluation des performances (métriques, validation)
-
Convolution, pooling et autres opérations
-
Architectures CNN classiques (LeNet, AlexNet)
-
Application à la classification d'images
-
Techniques d'augmentation de données
-
Introduction aux RNN et LSTM
-
Application aux séquences temporelles
-
Traitement du langage naturel (NLP) basique
-
Problèmes d'apprentissage et solutions (vanishing gradient)
-
Régularisation (Dropout, L1/L2)
-
Transfer learning
-
Visualisation des résultats et débogage
-
Optimisation des performances (GPU, parallélisation)
-
Présentation du projet final
-
Développement et implémentation
-
Discussion et correction des exercices
-
Questions et réponses
À TÉLÉCHARGER
À propos de l'instructeur
- 0 Instructor Avis
- 3 Avis
- 55 Cours
- Voir tous les cours.
Ahmed Zellou
ahmed.zellou@openskillroom.com
Ahmed Zellou Received his Ph.D. degree in Applied Sciences at the Mohammedia School of Engineers, Mohammed V University, Rabat, Morocco and ENSIMAG, Grenoble, France in 2008. He is currently a part-time Professor at Mohammed VI Polytechnic University and full Professor at ENSIAS, Mohamed V University in Rabat, Morocco. His research interests include parallel computing, Data quality, recommender system, indexation, and integration system, where he is the author/co-author of more than a hundred Scopus indexed publications. SKILLS DOMAINS • Data integration systems, complex information systems, Datawarehouse, and Web Semantic. • Modeling: Merise, UML1&2, BPMN. • Procedural and Object-oriented programming: Python, JAVA, C++, PHP. • Web development: HTML, CSS, JS and PHP. • Web Technologies: HTML, XML, PHP, Web Frameworks (Symfony, Laravel, CakePHP, CodeIgniter, Yii and Zend). • Databases, MYSQL, Postgress, Mongodb, ... Publications: ResearchGate : https://www.researchgate.net/profile/Zellou_Ahmed Scopus : https://www.scopus.com/authid/detail.uri?authorId=55644907000 Google Scholar : https://scholar.google.fr/citations?hl=fr&user=CjkVg9UAAAAJ
Retour des Apprenants
Avis
Pour ajouter un avis sur le cours, vous devez d'abord vous connecter. Connectez-vous ici
Caractéristiques du cours
- Durée 4 hour
- Language Français
- Niveau de compétence. Débutant
- CertificateNon
- Nombre maximum d'inscrits 30
- Type de formation distanciel
Cours connexes
Plus de cours par Ahmed Zellou
Devenir enseignant, Partagez vos connaissances
Rejoignez OpenKampus, la plateforme de formations synchrones qui valorise votre expertise.