Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Comprendre la puissance du deep learning
Le deep learning est partout : dans les caméras des smartphones, les assistants vocaux et les voitures autonomes. Il a même permis de découvrir des structures de protéines et de battre des humains au jeu de Go. Découvrez cette puissante technologie et apprenez à l'exploiter à l’aide de PyTorch, l'une des bibliothèques de deep learning les plus populaires.Entraîner votre premier réseau neuronal
Abordez pour commencer la différence entre le deep learning et la machine learning "classique". Vous découvrirez le processus d'entraînement d'un réseau neuronal et apprendrez à écrire une boucle d'entraînement. Pour cela, 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 détaillé 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 pourrez exploiter PyTorch pour résoudre des problèmes de classification et de régression sur des données tabulaires et des images à l'aide du deep learning. Une capacité vitale pour les spécialistes des données expérimentés qui cherchent à faire progresser leur carrière.
Prérequis
Programme de formation
Plan du cours
1
Introduction à PyTorch, une bibliothèque de Deep Learning
Voitures autonomes, smartphones, moteurs de recherche… Le deep learning est partout. Avant de créer des modèles complexes, vous allez vous familiariser avec PyTorch, un framework de deep learning. Vous apprendrez à manipuler des tenseurs, à créer des structures de données PyTorch et à construire votre premier réseau de neurones dans PyTorch avec des couches linéaires.
- Introduction au deep learning avec PyTorch50 XP
- Débuter avec les tenseurs PyTorch100 XP
- Vérification et addition de tenseurs100 XP
- Réseaux neuronaux et couches50 XP
- Réseau à couches linéaires100 XP
- Comprendre les poids50 XP
- Couches cachées et paramètres50 XP
- Votre premier réseau neuronal100 XP
- Empilement de couches linéaires100 XP
- Compter le nombre de paramètres100 XP
2
Architecture des réseaux de neurones et hyperparamètres
Pour entraîner un réseau de neurones avec PyTorch, vous devrez d'abord comprendre des composants supplémentaires, comme les fonctions d'activation et les fonctions de perte. Vous verrez ensuite que l'entraînement d'un réseau consiste à minimiser cette fonction de perte, ce qui se fait en calculant des gradients. Vous apprendrez à utiliser ces gradients pour mettre à jour les paramètres de votre modèle.
3
Entraîner un réseau de neurones avec PyTorch
Maintenant que vous connaissez les composants clés d'un réseau de neurones, vous allez en entraîner un à l'aide d'une boucle d'entraînement. Vous explorerez des problèmes potentiels comme la disparition des gradients et découvrirez des stratégies pour y remédier, par exemple des fonctions d'activation alternatives et l'ajustement du learning rate et du momentum.
4
Évaluer et améliorer les modèles
Former un modèle de deep learning est un art, et pour s'assurer que notre modèle est correctement entraîné, nous devons suivre certains indicateurs pendant l'entraînement, comme la perte ou l'accuracy. Nous apprendrons à calculer ces métriques et à réduire le surapprentissage.
Introduction au Deep Learning avec PyTorch
Cours
terminé
