Cours
Deep learning intermédiaire avec PyTorch
IntermédiaireNiveau de compétence
Actualisé 06/2025
PyTorchArtificial Intelligence4 h15 vidéos51 Exercices4,050 XP27,550Certificat de formation
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprécié par des utilisateurs provenant de milliers d'entreprises
Former une équipe ?
Essayez pour les entreprisesDescription du cours
Apprendre l'apprentissage profond
L'apprentissage profond est un domaine de l'intelligence artificielle qui évolue rapidement et qui a révolutionné le domaine de l'apprentissage automatique, permettant des percées dans des domaines tels que la vision par ordinateur, le traitement du langage naturel et la reconnaissance vocale. Les avancées les plus récentes dans le domaine de l'IA générative, notamment les générateurs d'images et les chatbots conversationnels, ont placé les modèles d'apprentissage automatique profond sous les feux de la rampe. Apprenez dès aujourd'hui comment fonctionne l'apprentissage profond et comment former vous-même des modèles profonds.Utilisez PyTorch, la méthode la plus Python pour faire de l'apprentissage profond.
PyTorch est un cadre d'apprentissage profond puissant et flexible qui permet aux chercheurs et aux praticiens de construire et d'entraîner des réseaux neuronaux en toute simplicité. Apprécié par les Pythonistes du monde entier, PyTorch offre une grande flexibilité et une manière intuitive de mettre en œuvre des concepts d'apprentissage profond.Former des modèles d'apprentissage profond robustes
Ce cours sur l'apprentissage profond avec PyTorch est conçu pour vous fournir une compréhension complète des concepts et techniques fondamentaux de l'apprentissage profond, et vous équiper des compétences pratiques pour mettre en œuvre divers concepts de réseaux neuronaux. Vous vous familiariserez avec les architectures à entrées et sorties multiples. Vous apprendrez comment éviter les problèmes de disparition et d'explosion des gradients en utilisant des activations non saturantes, la normalisation des lots et une initialisation correcte des poids. Vous serez en mesure d'atténuer le surajustement à l'aide de la régularisation et de l'exclusion. Enfin, vous saurez comment accélérer le processus de formation grâce à la programmation des taux d'apprentissage.Construire des modèles d'images et de séquences
Vous apprendrez à connaître deux architectures de réseaux neuronaux spécialisés : Les réseaux neuronaux convolutifs (CNN) pour les données d'image et les réseaux neuronaux récurrents (RNN) pour les données séquentielles telles que les séries temporelles ou le texte. Vous comprendrez leurs avantages et serez en mesure de les mettre en œuvre dans des tâches de classification d'images et de prédiction de séries temporelles.À la fin du cours, vous aurez les connaissances et la confiance nécessaires pour former et évaluer vos propres modèles d'apprentissage profond pour une gamme d'applications.
Prérequis
Introduction to Deep Learning with PyTorch1
Formation de réseaux neuronaux robustes
Apprenez à former des réseaux neuronaux de manière robuste. Dans ce chapitre, vous utiliserez la programmation orientée objet pour définir les ensembles de données et les modèles PyTorch et rafraîchir vos connaissances en matière de formation et d'évaluation des réseaux neuronaux. Vous vous familiariserez également avec différents optimiseurs et, enfin, avec diverses techniques permettant d'atténuer les problèmes d'instabilité des gradients, si omniprésents dans la formation des réseaux neuronaux.
2
Images et réseaux neuronaux convolutifs
Entraînez des réseaux neuronaux pour résoudre des tâches de classification d'images. Dans ce chapitre, vous apprendrez à manipuler des données d'images dans PyTorch et à vous familiariser avec les réseaux neuronaux convolutifs (CNN). Vous vous entraînerez à former et à évaluer un classificateur d'images tout en apprenant comment améliorer les performances du modèle grâce à l'augmentation des données.
3
Séquences et réseaux neuronaux récurrents
Créez et formez des réseaux neuronaux récurrents (RNN) pour traiter des données séquentielles telles que des séries temporelles, du texte ou des fichiers audio. Vous découvrirez les deux architectures récurrentes les plus populaires, les réseaux Long-Short Term Memory (LSTM) et Gated Recurrent Unit (GRU), ainsi que la manière de préparer des données séquentielles pour l'apprentissage du modèle. Vous mettrez vos compétences en pratique en formant et en évaluant un modèle récurrent de prévision de la consommation d'électricité.
4
Architectures à entrées et sorties multiples
Construire des modèles à entrées et sorties multiples, en démontrant comment ils peuvent gérer des tâches nécessitant plus d'une entrée ou générant des sorties multiples. Vous découvrirez comment concevoir et entraîner ces modèles à l'aide de PyTorch et vous vous pencherez sur le sujet crucial de la pondération des pertes dans les modèles à sorties multiples. Il s'agit de comprendre comment équilibrer l'importance des différentes tâches lors de la formation d'un modèle à l'exécution simultanée de plusieurs tâches.
Deep learning intermédiaire avec PyTorch
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant
Rejoignez plus de 19 millions d'utilisateurs et commencez Deep learning intermédiaire avec PyTorch dès aujourd'hui !
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprenez où que vous soyez avec l'application DataCamp
Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.