Machine learning avec Pytorch

Dernière mise à jour : 4 août 2022

    • Posséder une vue d’ensemble de l’écosystème scientifique de Python
    • Connaître les librairies scientifiques incontournables pour la science des données
    • Être capable de manipuler des données volumineuses avec Python
    • Comprendre l’intérêt de la datavisualisation
    • Savoir visualiser des données avec Python

    Maîtrise des outils Python – Pytorch, pour le Machine Learning et le Deep Learning

    • Une pédagogie active, l’apprenant étant au centre du dispositif
    • Des mises en situation ludiques et interactives
    • Les applications pratiques seront mises en œuvre
    • Du concret : toute la formation renvoie à la réalité professionnelle
    • De l’action : plus de 2/3 du temps est dédié à la pratique et à l’expérimentation
    • Du rythme : l’intérêt et l’attention du stagiaire sont stimulés par des explications en groupe ou individuelles, des échanges, des travaux et exercices personnels ou collectifs…
    • De l’individualisation : chacun apprend à son rythme pour renforcer son autonomie
    • De l’ancrage: les participants formalisent et synthétisent ce qu’ils apprennent pour une meilleure mémorisation des acquis
    • La formation réserve une place importante à l’interaction avec les participants.
    • Mise en situation par application concrète des outils sur vos données de travail durant la formation.

    Jour 1 – matin : Deep Learning : La révolution de l’Intelligence Artificielle

    • Définition du Machine Learning comme problème d’optimisation
    • Les typologies d’algorithmes de machine Learning : supervisé (classification, régression), non supervisé, semi-supervisé, auto supervisé, apprentissage par renforcement
    • Sous-apprentissage, surapprentissage, généralisation (courbe d’apprentissage), métrique et

    évaluation

    • Les Mathématiques derrière le Machine Learning : algèbre linéaire, statistiques/probabilités,

    descente de gradient appliqué à la régression linéaire

    • Les avantages et limites du Machine Learning expliqués sur la régression logistique et le SVM
    • Avantages du Deep Learning face au Machine Learning expliqués sur le MLP et les CNN
    • Les raisons de passer au Deep Learning
    • Exemples de la vie réelle et scénarios applicables
    • Présentation de Pytorch
    • Présentation des surcouches fastai et pytorch ligthning

     

    Jour 1 – après-midi : Installation et prise en main de Pytorch : manipulation de vecteurs et tenseurs

    avec Pytorch

     

    • Installation : installation de Pytorch, anaconda, drivers ; Google Collab
    • Utiliser Pytorch comme Numpy : tenseurs, opérations et variables
    • Cas d’usages
    • Création d’un module réseau de neurones
    • Chargement d’un dataset et découpage en dataset de train et de test avec Pytorch et Sklearn
    • Utilisation de métriques Sklearn puis de Tensorboard pour la visualisation des résultats
    • Optimisation des hyperparamètres et principe du AutoML
    • Sauvegarder et restaurer un modèle
    • Utiliser les callbacks

    Jour 2 – matin : Introduction aux CNN et application au traitement d’images

    • Mise en application et architecture d’un CNN (convolution, pooling, data augmentation)
    • Comprendre et visualiser un CNN et le produit de convolution
    • Couches de convolution et de mise en commun (classification) dans une CNN
    • Transfert d’apprentissage et mise au point des réseaux de neurones convolutionnels
    • Explication de la backpropagation sur un exemple et implémentation en Pytorch
    • Classification d’images de bout en bout : téléchargement d’une base d’apprentissage (chien/chat, ours : teddy,grizzly,black bear), utilisation d’une architecture à l’état de l’art (ResNet) par transfer learning
    • Comparaison de la création d’un CNN avec Pytorch et FastAI

    Jour 2 – après-midi : Multi Layer Perceptron (MLP) sur des données tabulaires

    • Explication du concept d’embedding et son importance pour la réduction de dimension sémantique
    • Chargement de données csv avec la librairie Pandas
    • Création de variables quantitatives à partir de variables qualitatives/catégorielles, traitement des données manquantes (nan values), normalisation avec Pandas puis FastAI
    • Création d’un auto-encodeur
    • Application à la visualisation (PCA, T-SNE, UMAP) et clustering d’embeddings (application à la

    recommandation d’items)

    Jour 3 – matin : Traitement du texte

    • Explication des words embeddings
    • Utilisation avec la librairie Spacy (word2vec, CBOW, Glove, TF-IDF)
    • Explication des sentences embeddings
    • Utilisation avec la librairie Universal Sentence Encoder
    • Utilisation des librairies Flair et HuggingFace pour des tâches classiques de NLP (sentiment

    analysis français et anglais, prédiction, …)

    Jour 3 – après-midi : Introduction aux LSTMs et application à l’analyse et prédiction de séries

    temporelles

    • Mise en application et architecture d’un LSTM (séquence à séquence, prédiction/many-to-one, …)
    • RNN vs LSTM vs GRU
    • Explication du mécanisme d’attention (vs Transformer)
    • Création d’un LSTM
    • Application pour de la prédiction de séries temporelles (cours boursiers ou ventes

    Ingénieur, développeur, chercheur, data scientist, data-analyst et toute personne ayant de forts besoins en capacité de calculs avec Python.

    Pratique du langage Python et des librairies numpy, pandas.

    Modalités d’évaluation Standard

    • Questionnaire théorique en début de formation
    • Questionnaire théorique en fin de formation
    • Validation des acquis
    • Attestation de formation

    Modalités d’évaluation Certification

    • Évaluation standard +
    • Révision et préparation à l’examen (exercices pratiques...)
    • Examen final en fin de formation via un jury permettant d'obtenir la certification du bloc de compétence
    • Pour certaines formations, les compétences théoriques sont validées en amont du Jury via un QCM
    • Certains examens internationaux impose un examen en ligne pour un durée allant de 2h à 4h
    • Les dates d’examens peuvent évoluer en fonction des sessions
    • En cas de non-admission ou de non-présentation du candidat, le candidat a la possibilité de se représenter à une session suivante en accord avec l’équipe pédagogique.

    DYNACENTRIX s’engage auprès de ses clients et partenaires, sur la garantie de l'égalité des droits et des chances des personnes en situation de handicap pour accéder aux formations proposées et a mis en place un accueil spécifique qui travaille en étroite collaboration avec des organismes partenaires (AGEFIPH IDF, Cap emploi).
    DYNACENTRIX accueille et accompagne les personnes en situation de handicap tout le long de leur parcours, en lien direct avec l’entourage professionnel et/ou familial des bénéficiaires, en adaptant sa pédagogie et le rythme de ses enseignements ». 

    > Pour tous renseignements 

    Témoignages

    Merci pour cette certification IASSC et une grande reconnaissance pour la qualité de la formation.

    Témoignage

    Je suis vraiment satisfait, et j’espère avoir l’occasion de retravailler avec Dynacentrix !

    En attendant, je vous recommande vivement !

    Témoignage

    Des échanges intéressants et des rappels plus qu’oubliés sur les statistiques. Même s’il n’y a pas que ça, il en faut un peu.

    Témoignage

    I attended the Green Belt Lean Six Sigma formation and recommend it.

    The project I lead already has brought my company revenue and I am better equipped to continue to evolve and learn from additional experience!

    Témoignage

    J’ai eu ma Black Belt. Un grand merci pour cette super formation !

    Témoignage

    Prochaine session

    Formation uniquement disponible en Intra et sur mesure.

    Durée : 3 jours (soit 21 heures)

    Référence : F-pyt-05

    Lieu : Disponible à distance, en présentiel, en mixte-hybride, en individuel ou en collectif avec des approches pédagogiques adaptées et spécifiques

    Prix : sur devis

    Formation disponible
    en Intra & sur mesure