Accéder au contenu principal
AccueilArtificial Intelligence

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 Gratuitement
4 heures16 vidéos48 exercices32 684 apprenantsTrophyDéclaration de réalisation

Créez votre compte gratuit

GoogleLinkedInFacebook

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.
Group

Formation de 2 personnes ou plus ?

Essayer DataCamp for Business

Apprécié 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.
Pour les entreprises

Formation de 2 personnes ou plus ?

Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.
DataCamp Pour Les EntreprisesPour une solution sur mesure , réservez une démo.

Dans les titres suivants

Ingénieur IA associé pour les scientifiques de données

Aller à la piste

Apprentissage profond en Python

Aller à la piste

Développer de grands modèles linguistiques

Aller à la piste
  1. 1

    Introduction à PyTorch, une bibliothèque d'apprentissage profond

    Gratuit

    Voitures 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.

    Jouez Au Chapitre Maintenant
    Introduction à l'apprentissage profond avec PyTorch
    50 xp
    Débuter avec les tenseurs PyTorch
    100 xp
    Vérification et addition de tenseurs
    100 xp
    Création de notre premier réseau neuronal
    50 xp
    Votre premier réseau neuronal
    100 xp
    Empilement de couches linéaires
    100 xp
    Découverte des fonctions d'activation
    50 xp
    Activez votre compréhension !
    50 xp
    Les fonctions sigmoïde et softmax
    100 xp
  2. 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.

    Jouez Au Chapitre Maintenant
  3. 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.

    Jouez Au Chapitre Maintenant
  4. 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.

    Jouez Au Chapitre Maintenant
Pour les entreprises

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 piste

Apprentissage profond en Python

Aller à la piste

Développer de grands modèles linguistiques

Aller à la piste

Dans d’autres morceaux

Principes fondamentaux de l'apprentissage automatique en PythonScientifique en apprentissage automatique en Python

ensembles de données

Water PotabilityFace Mask Dataset

collaborateurs

Collaborator's avatar
Amy Peterson
Collaborator's avatar
James Chapman
Collaborator's avatar
George Boorman

audio enregistré par

Maham Khan's avatar
Maham Khan
Maham Khan HeadshotMaham Khan

Senior Data Scientist, YouView TV

Voir Plus

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

GoogleLinkedInFacebook

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.