Étudiez les idées fondamentales des réseaux de neurones dans sept laboratoires Jupyter couvrant TensorFlow, Keras et PyTorch. Après une introduction conceptuelle au deep learning, vous manipulerez tenseurs et calculs, entraînerez des régressions, assemblerez des réseaux entièrement connectés et construirez un modèle de classification de texte.
Le cours combine des visites guidées des frameworks et des implémentations à compléter. Les exemples utilisent les logements de Californie, des chiffres manuscrits, les avis IMDB et des données synthétiques de régression pour concrétiser couches, pertes, optimiseurs, boucles d’entraînement et prédictions.
Ce que vous apprendrez
- Expliquer les étapes, concepts et structures de base du deep learning
- Manipuler tenseurs, sessions, graphes, variables, placeholders et opérations matricielles TensorFlow
- Implémenter une régression TensorFlow par moindres carrés, gradients manuels, optimiseurs et mini-lots
- Construire et entraîner un réseau TensorFlow multicouche sur des chiffres manuscrits
- Explorer couches Keras, modèles Sequential, API Functional, entraînement, évaluation et visualisation
- Préparer les séquences IMDB et construire un classifieur de sentiment Keras Sequential
- Utiliser les tenseurs, autograd, modules neuronaux et optimiseurs PyTorch
- Compléter un modèle et une boucle de régression PyTorch sur données synthétiques
À qui s’adresse ce cours
Ce cours s’adresse aux personnes possédant des bases en Python et apprentissage automatique qui veulent comparer la représentation des tenseurs, couches, modèles et entraînements dans trois frameworks. Malgré leur niveau débutant, les notebooks compacts supposent de suivre tableaux NumPy, opérations matricielles, pertes et optimisation. C’est une base de frameworks, pas un cours de déploiement moderne ni de deep learning avancé.
Prérequis : Les bases de Python, les opérations de type NumPy et une première compréhension de la régression linéaire et des réseaux neuronaux sont recommandées. La pratique de Jupyter Notebook est utile.
Environnement d’apprentissage : Les sept laboratoires utilisent un environnement Jupyter Ubuntu 22.04 fourni. Les notebooks associent explications, exemples exécutables et cellules incomplètes à terminer.
Questions fréquentes
Vais-je construire des modèles avec les trois frameworks ?
Oui. TensorFlow sert à la régression et à un modèle multicouche de chiffres, Keras à un modèle Sequential de sentiment IMDB, et PyTorch à une régression linéaire. Les guides couvrent aussi leurs abstractions centrales.
Ce cours convient-il aux grands débutants en Python ?
Non. Les notebooks abordent rapidement tenseurs, multiplication matricielle, pertes, gradients et boucles d’entraînement. Une base en Python et en machine learning introductif est importante.
Le cours emploie-t-il les API actuelles ?
Pas partout. TensorFlow utilise des modèles 1.x tels que Session et placeholder, Keras le paquet autonome keras, et le guide PyTorch contient l’ancien Variable ainsi que CUDA 8/9. Les concepts restent utiles, mais consultez la documentation actuelle pour de nouveaux projets.
Quels jeux de données et tâches sont inclus ?
Les notebooks utilisent les logements de Californie pour la régression TensorFlow, les chiffres scikit-learn pour une classification multicouche, IMDB pour le sentiment et des données générées pour la régression PyTorch.
