Deep Learning avec PyTorch

Formation créée le 13/05/2026.
Version du programme : 1

Type de formation

Mixte

Durée de formation

21 heures (3 jours)

Accessibilité

Oui

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.

Profil des bénéficiaires

Pour qui
  • 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.

Équipe pédagogique

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

Suivi de l'exécution et évaluation des résultats

  • 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.

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.

Délai d'accès

2 semaines

Accessibilité

Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre prévu.