Acquérez des compétences pratiques en apprentissage profond et apprenez à créer, entraîner, évaluer et optimiser des réseaux neuronaux avec PyTorch. Vous commencerez par distinguer l’apprentissage automatique de l’apprentissage profond, puis vous explorerez les perceptrons, les réseaux neuronaux et leur rôle dans les systèmes d’IA concrets. Vous configurerez ensuite Jupyter Notebooks, Google Colab et PyTorch avant de travailler avec les tenseurs, les gradients, les couches cachées et l’apprentissage par transfert.

Grâce à des exercices de programmation guidés et des études de cas, vous préparerez des ensembles de données d’images et développerez des modèles de classification à l’aide des ensembles de données MNIST, CIFAR-10 et CIFAR. Vous appliquerez également les réseaux convolutifs (CNN) à la classification de texte, comparerez des fonctions de perte et générerez du texte contextuel à l’aide de transformateurs. Les leçons avancées portent sur les modèles linguistiques, la génération de séquences, les architectures encodeur-décodeur, la traduction basée sur l’attention, les pipelines d’entraînement et l’évaluation des performances. Vous étendrez ces techniques à la prédiction tabulaire via le prétraitement et l’ingénierie des caractéristiques, puis vous comparerez le filtrage collaboratif et le filtrage basé sur le contenu pour les systèmes de recommandation. Conçu pour les apprenants à la recherche de compétences pratiques en IA, en apprentissage profond ou en science des données, ce cours évolue de manière unique, partant de concepts accessibles aux débutants pour aboutir à des projets avancés en vision par ordinateur, en TALN, en attention et en recommandation. Inscrivez-vous pour transformer la théorie de l'apprentissage profond en modèles opérationnels applicables aux images, au texte, aux données structurées et aux tâches de recommandation.