Devenez opérationnel

Deep Learning avec PyTorch

Ce module permet aux participants de concevoir, entraîner, évaluer, optimiser et préparer au déploiement des modèles de Deep Learning avec PyTorch. Il s’adresse à des data scientists et AI engineers disposant déjà de connaissances en Python, en Machine Learning et en mathématiques appliquées. La formation vise à leur permettre de comprendre le fonctionnement des réseaux neuronaux, de manipuler les composants fondamentaux de PyTorch et de construire des architectures adaptées à différents types de problèmes. La formation couvre les principes du Deep Learning, la manipulation des tenseurs, la construction de réseaux de neurones, l’entraînement des modèles, l’évaluation des performances, l’optimisation des architectures, le débogage et les premières étapes de déploiement. L’approche pédagogique privilégie la pratique : les participants construisent progressivement des modèles PyTorch, analysent les résultats obtenus, corrigent les erreurs fréquentes et réalisent un cas pratique complet.

Objectifs de la formation

Construire des réseaux de neurones.
Entraîner et évaluer des modèles.
Optimiser et déboguer les architectures.
Déployer des modèles DL.

Public

Data scientists
AI engineers

Prérequis

Connaissances en Python, ML et mathématiques

Contenu de la formation

Comprendre les principes du Deep Learning

Comprendre les principes fondamentaux du Deep Learning.
Identifier les cas d’usage adaptés aux réseaux neuronaux.
Situer PyTorch dans l’écosystème des frameworks Deep Learning.

Manipuler les tenseurs avec PyTorch

Comprendre le rôle des tenseurs dans PyTorch.
Manipuler les structures de données utilisées par les modèles.
Préparer les données sous une forme compatible avec l’entraînement.

Préparer les données pour l’entraînement

Structurer les données pour l’entraînement d’un modèle PyTorch.
Utiliser les composants de chargement de données.
Préparer un jeu d’entraînement, de validation et de test.

Construire un premier réseau neuronal avec PyTorch

Construire une première architecture de réseau neuronal.
Comprendre le rôle des couches et de la propagation avant.
Préparer le modèle pour l’entraînement.

Entraîner un modèle Deep Learning

Mettre en œuvre une boucle d’entraînement PyTorch.
Comprendre le rôle de la fonction de perte et de l’optimiseur.
Suivre l’évolution de l’apprentissage.

Évaluer les performances d’un modèle

Évaluer un modèle sur des données non vues.
Choisir les métriques adaptées au problème traité.
Interpréter les résultats obtenus.

Optimiser et déboguer une architecture PyTorch

Identifier les causes d’un modèle peu performant.
Ajuster les hyperparamètres.
Corriger les erreurs fréquentes dans une architecture PyTorch.

Concevoir des architectures adaptées aux cas d’usage

Adapter l’architecture du modèle au type de données.
Comprendre les principales familles d’architectures Deep Learning.
Identifier les choix de conception pertinents selon le cas d’usage.

Sauvegarder, recharger et préparer un modèle au déploiement

Sauvegarder un modèle PyTorch entraîné.
Recharger un modèle pour réaliser des prédictions.
Comprendre les premières étapes d’un déploiement.

Cas pratique de synthèse

Mobiliser l’ensemble des acquis de la formation.
Construire un modèle Deep Learning complet avec PyTorch.
Présenter et justifier les choix réalisés.

Equipe pédagogique

Le formateur mobilisé pour ce module dispose d’une expertise confirmée en Machine Learning, Deep Learning et développement de modèles avec PyTorch.

Référent pédagogique et technique
Haciba, responsable pédagogique, est à votre disposition pour toute question relative au contenu, aux objectifs ou à l’organisation de la formation. Vous pouvez la joindre par téléphone au 01 53 90 15 20 ou par mail : esic(@)esic-online.com. Nous encourageons les apprenants à prendre contact pour toute précision ou pour discuter d’éventuels besoins spécifiques liés à leur parcours.

Suivi de l'exécution et évaluation des résultats

Dispositions spécifiques à cette formation

Questions de validation sur les tenseurs, DataLoader et structure d’un modèle PyTorch.
Vérification du premier réseau construit par les participants.
Analyse d’une courbe d’apprentissage.
Identification de pistes d’amélioration d’un modèle.
Vérification de la capacité à corriger une erreur courante.
Le cas pratique de synthèse permet de vérifier la capacité du participant à construire, entraîner, évaluer, optimiser et préparer au déploiement un modèle Deep Learning avec PyTorch.
Les critères d’évaluation portent notamment sur la capacité à manipuler les tenseurs PyTorch, préparer les données pour l’entraînement, construire une architecture de réseau neuronal, implémenter une boucle d’entraînement, entraîner et évaluer un modèle, interpréter les courbes d’apprentissage, identifier et corriger des erreurs fréquentes, optimiser une architecture, sauvegarder, recharger et utiliser un modèle en inférence.

Dispositions relatives à l’ensemble des formations

Nous mettons en place un suivi rigoureux et une évaluation complète des résultats pour garantir la qualité et l’efficacité de nos formations.

Avant la formation:
- Entretien individuel ou questionnaire de positionnement: Permet d’analyser les besoins spécifiques des participants et d’ajuster les contenus pédagogiques en conséquence.
Pendant la formation:
- Exercices pratiques et mises en situation: Ces activités sont intégrées tout au long de la formation pour valider les acquis en temps réel.
- Feuilles de présence: Chaque participant émarge une feuille de présence par demi-journée, également signée par le formateur, assurant le suivi administratif.
Après la formation:
- Questionnaire de satisfaction à chaud: Administré immédiatement après la formation pour recueillir un retour sur la qualité des contenus et de l’animation.
- Questionnaire de satisfaction à froid: Envoyé trois mois après la formation pour évaluer l’impact réel sur les pratiques professionnelles.
- Questionnaire d’auto-évaluation possible: Permet aux participants de mesurer leurs progrès à l’issue de la formation.
- Certification(optionnelle) : Passage de la certification en conditions d’examen ou via télésurveillance, selon le dispositif retenu.
- Certificat de réalisation: Remis à l’issue de la formation, attestant de la participation effective des apprenants.

Nous veillons à accompagner les participants avant, pendant et après la formation pour maximiser leur progression et mesurer les retombées concrètes dans leur environnement professionnel.

Ressources techniques et pédagogiques

support pédagogique numérique
environnement Python configuré pour les travaux pratiques
notebooks ou scripts d’exercices
jeux de données d’entraînement
exemples d’architectures PyTorch
exemples de boucles d’entraînement
exemples de sauvegarde et rechargement de modèles
fiches de synthèse sur les fonctions de perte, optimiseurs et métriques
corrigés ou éléments de correction
ressources complémentaires pour approfondissement
Les participants reçoivent le support pédagogique du module, les jeux de données utilisés pendant la formation, les notebooks ou scripts de démonstration, les exercices pratiques, les éléments de correction, une fiche mémo sur les composants principaux de PyTorch, une fiche de synthèse sur les fonctions de perte et optimiseurs, des exemples de boucles d’entraînement, des exemples de sauvegarde et rechargement de modèles, une bibliographie ou sitographie indicative pour approfondissement.

Accessibilité

Nous accordons une attention particulière à l’accueil des personnes en situation de handicap. Si vous êtes concerné(e) et souhaitez suivre cette formation, nous vous invitons à nous contacter dès que possible. Ensemble, nous étudierons vos besoins spécifiques et mettrons en place les adaptations nécessaires pour garantir votre accès à la formation dans les meilleures conditions.

Délai d'accès

L’inscription à cette formation est possible dans un délai de 2 semaines avant le début de la session. Ce délai permet de finaliser les démarches administratives, de confirmer la prise en charge éventuelle des frais de formation et d’assurer une préparation optimale des participants.

Pour toute demande spécifique ou situation particulière, nous vous invitons à nous contacter afin d’étudier ensemble les possibilités d’adaptation.

Prérequis technique

Pour suivre cette formation dans de bonnes conditions, les moyens techniques suivants sont requis :

En présentiel:
- Tableau blanc ou paperboard, et un vidéoprojecteur pour les présentations.
- Outils pour le partage de documents avec les formateurs et autres participants.
À distance:
- Un logiciel de visioconférencecompatible (Teams, Zoom ou équivalent) pour participer aux sessions en ligne.
- Possibilité de partage d’écran entre le formateur et les participants.
- Accès à une plateforme pour le partage des documents pédagogiques et supports de formation.
- Connexion internet haut débit pour garantir une expérience fluide et interactive.

Nous vous recommandons de vérifier la disponibilité et la fonctionnalité de ces moyens techniques avant le début de la formation. En cas de difficulté, n’hésitez pas à nous contacter pour trouver une solution adaptée.