Introduction à l'apprentissage profond avec PyTorch
Apprenez à construire votre premier réseau neuronal, à ajuster les hyperparamètres et à résoudre les problèmes de classification et de régression avec PyTorch.
Commencer Le Cours Gratuitement4 heures16 vidéos48 exercices32 684 apprenantsDéclaration de réalisation
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.Formation de 2 personnes ou plus ?
Essayer DataCamp for BusinessApprécié par les apprenants de milliers d'entreprises
Description du cours
Comprendre la puissance de l'apprentissage profond
L'apprentissage en profondeur est partout : dans les caméras des smartphones, les assistants vocaux et les voitures autopilotées. Elle a même permis de découvrir des structures de protéines et de battre des humains au jeu de Go. Découvrez cette technologie puissante et apprenez à l'exploiter en utilisant PyTorch, l'une des bibliothèques d'apprentissage profond les plus populaires.Entraînez votre premier réseau neuronal
Tout d'abord, abordez la différence entre l'apprentissage profond et l'apprentissage automatique "classique". Vous découvrirez le processus d'apprentissage d'un réseau neuronal et apprendrez à écrire une boucle d'apprentissage. Pour ce faire, vous créerez des fonctions de perte pour les problèmes de régression et de classification et utiliserez PyTorch pour calculer leurs dérivées.Évaluer et améliorer votre modèle
Dans la seconde partie, découvrez les différents hyperparamètres que vous pouvez ajuster pour améliorer votre modèle. Après avoir découvert les différents composants d'un réseau neuronal, vous serez en mesure de créer des architectures plus grandes et plus complexes. Pour mesurer les performances de votre modèle, vous utiliserez TorchMetrics, une bibliothèque PyTorch pour l'évaluation des modèles.À l'issue de ce cours, vous serez en mesure d'exploiter PyTorch pour résoudre des problèmes de classification et de régression sur des données tabulaires et des images à l'aide de l'apprentissage profond. Une capacité vitale pour les professionnels des données expérimentés qui cherchent à faire progresser leur carrière.
Formation de 2 personnes ou plus ?
Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.Dans les titres suivants
Ingénieur IA associé pour les scientifiques de données
Aller à la pisteApprentissage profond en Python
Aller à la pisteDévelopper de grands modèles linguistiques
Aller à la piste- 1
Introduction à PyTorch, une bibliothèque d'apprentissage profond
GratuitVoitures autonomes, smartphones, moteurs de recherche... L'apprentissage en profondeur est désormais omniprésent. Avant de commencer à construire des modèles complexes, vous vous familiariserez avec PyTorch, un cadre d'apprentissage profond. Vous apprendrez à manipuler les tenseurs, à créer des structures de données PyTorch et à construire votre premier réseau neuronal dans PyTorch.
Introduction à l'apprentissage profond avec PyTorch50 xpDébuter avec les tenseurs PyTorch100 xpVérification et addition de tenseurs100 xpCréation de notre premier réseau neuronal50 xpVotre premier réseau neuronal100 xpEmpilement de couches linéaires100 xpDécouverte des fonctions d'activation50 xpActivez votre compréhension !50 xpLes fonctions sigmoïde et softmax100 xp - 2
Formation de notre premier réseau neuronal avec PyTorch
Pour former un réseau neuronal dans PyTorch, vous devez d'abord comprendre le rôle d'une fonction de perte. Vous comprendrez alors que pour former un réseau, il faut minimiser cette fonction de perte, ce qui se fait en calculant les gradients. Vous apprendrez à utiliser ces gradients pour mettre à jour les paramètres de votre modèle et, enfin, vous écrirez votre première boucle d'apprentissage.
Exécution d'une passe en avant50 xpConstruire un classificateur binaire avec PyTorch100 xpDe la régression à la classification multi-classes100 xpUtilisation de fonctions de perte pour évaluer les prédictions des modèles50 xpCréation d'étiquettes codées à une position100 xpCalcul de la perte d'entropie croisée100 xpUtilisation des dérivés pour mettre à jour les paramètres du modèle50 xpAccès aux paramètres du modèle100 xpMise à jour manuelle des poids100 xpUtilisation de l'optimiseur PyTorch100 xpRédaction de notre première boucle d'entraînement50 xpUtilisation du site MSELoss100 xpÉcrire une boucle d'entraînement100 xp - 3
Architecture des réseaux neuronaux et hyperparamètres
Les hyperparamètres sont des paramètres, souvent choisis par l'utilisateur, qui contrôlent l'apprentissage du modèle. Le type de fonction d'activation, le nombre de couches du modèle et le taux d'apprentissage sont autant d'hyperparamètres de l'apprentissage des réseaux neuronaux. Ensemble, nous découvrirons les hyperparamètres les plus critiques d'un réseau de neurones et comment les modifier.
Découverte des fonctions d'activation entre les couches50 xpMise en œuvre du ReLU100 xpMise en œuvre de l'approche "leaky ReLU100 xpComprendre les fonctions d'activation50 xpUne plongée plus profonde dans l'architecture des réseaux neuronaux50 xpCompter le nombre de paramètres100 xpManipuler la capacité d'un réseau100 xpTaux d'apprentissage et dynamique50 xpExpérimenter le taux d'apprentissage100 xpExpérimenter l'élan100 xpInitialisation des couches et apprentissage par transfert50 xpProcessus de mise au point100 xpGeler les couches d'un modèle100 xpInitialisation de la couche100 xp - 4
Évaluation et amélioration des modèles
Le cursus d'un modèle de deep learning est un art, et pour s'assurer que notre modèle est formé correctement, nous devons suivre certaines métriques pendant l'entraînement, comme la perte ou la précision. Nous apprendrons à calculer ces mesures et à réduire l'ajustement excessif à l'aide d'un ensemble de données d'images comme exemple.
Une plongée plus profonde dans le chargement des données50 xpUtilisation de la classe TensorDataset100 xpDu chargement des données à l'exécution d'une passe en avant100 xpMesurer la performance du modèle50 xpRédaction de la boucle d'évaluation100 xpCalcul de la précision à l'aide de la torchmétrie100 xpLutter contre le surajustement50 xpExpérimenter le décrochage100 xpComprendre le surajustement50 xpMesurer la performance du modèle50 xpMise en œuvre de la recherche aléatoire100 xpVidéo de synthèse50 xp
Formation de 2 personnes ou plus ?
Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.Dans les titres suivants
Ingénieur IA associé pour les scientifiques de données
Aller à la pisteApprentissage profond en Python
Aller à la pisteDévelopper de grands modèles linguistiques
Aller à la pisteDans d’autres morceaux
Principes fondamentaux de l'apprentissage automatique en PythonScientifique en apprentissage automatique en Pythoncollaborateurs
audio enregistré par
Maham Khan
Voir PlusSenior Data Scientist, YouView TV
Thomas Hossler
Voir PlusSenior Machine Learning Engineer
Qu’est-ce que les autres apprenants ont à dire ?
Inscrivez-vous 15 millions d’apprenants et commencer Introduction à l'apprentissage profond avec PyTorch Aujourd’hui!
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.