Apprentissage profond appliqué avec PyTorch (De zéro à maîtrise)

Ce cours offre une introduction complète au deep learning en utilisant PyTorch, le cadre le plus populaire pour la recherche en apprentissage automatique. En partant des bases des tenseurs, les étudiants progresseront à travers l'intégralité du flux de travail d'apprentissage automatique, la vision par ordinateur, l'ingénierie logicielle modulaire, le transfert d'apprentissage et le déploiement des modèles. Le programme est conçu selon une approche "code-first", mettant l'accent sur l'implémentation pratique et l'expérimentation, garantissant que les étudiants non seulement comprennent la théorie mais peuvent aussi concevoir, optimiser et déployer des systèmes robustes de deep learning.

Un bref résumé des objectifs principaux consiste à maîtriser l'écosystème PyTorch dans sa globalité, passant des mathématiques fondamentales aux applications de vision par ordinateur prêtes pour la production.

1. Implémenter l'intégralité du flux de travail machine learning PyTorch, depuis les opérations fondamentales sur les tenseurs jusqu'à l'entraînement, l'évaluation et la persistance du modèle.
2. Concevoir et déployer des architectures de deep learning, y compris les réseaux de neurones artificiels (ANN) et les réseaux de neurones convolutifs (CNN), pour des tâches complexes de classification et de vision par ordinateur.
3. Transformer un code expérimental en logiciel modulaire prêt pour la production en adoptant des pratiques d'ingénierie standardisées et des structures de répertoires définies.
4. Utiliser des techniques avancées comme le transfert d'apprentissage et le suivi systématique des expériences (TensorBoard) afin d'obtenir des résultats de pointe sur des jeux de données personnalisés.
5. Préparer et déployer des modèles entraînés dans des applications web interactives et tirer parti des fonctionnalités modernes de PyTorch 2.0 pour accélérer l'inférence.