Points fort
- Cours animé par un expert en Machine Learning, précédemment chez Docusign, et par un Teacher Assistant disponible pendant toute la durée de la formation sur Discord et pendant les cours en direct
- Format interactif, pratique, avec 3 heures de cours en direct par semaine
- Accès à la communauté d'alumni de Jungle Program (Discord, Private Job Board, Events, Meetups…)
Objectif
- Maîtriser le Deep Learning
- Avoir des bases théoriques solides en construisant des NNs à partir de zéro avec pytorch
- Computer vision, construire des réseaux neuronaux convolutifs et des réseaux adversariaux génératifs
- NLP, convertir des mots et des phrases en vecteurs, former des transformateurs et générer du texte.
Programme
Chaque semaine contient 3 heures de cours en direct avec le professeur.
Semaine 1. Les bases des réseaux neuronaux. Explorez la théorie des réseaux de neurones à partir de zéro et mettez-la en pratique avec pytorch.
Semaine 2. Formation sur les réseaux neuronaux. Plongez dans les méthodes d'optimisation et de régularisation des réseaux neuronaux et résolvez les problèmes de formation courants dans pytorch.
Semaine 3. Computer Vision. Méthodes d'apprentissage profond appliquées aux données d'image : découvrez les CNN, la révolution de l'apprentissage par transfert et les modèles génératifs.
Semaine 4. Natural Language Processing. Méthodes de Deep Learning appliquées aux données textuelles : apprendre des représentations de caractéristiques de séquences symboliques, s'attaquer au transformateur tout-puissant, et expérimenter des modèles de langage génératifs.
Semaine 5. Séquences et graphes. Le meilleur du reste : appliquer des modèles de séquence à des données de séries temporelles, explorer le paradigme seq2seq et aborder l'apprentissage par imitation avec des graphes de connaissances.
Semaine 6. Projet final. Ce chapitre teste vos compétences en implémentant un modèle de Deep Learning de pointe issu de la littérature, et en l'entraînant sur un jeu de données public.
Pré-requis
Les étudiants doivent être à l'aise avec python, jupyter notebook, et les bibliothèques NumPy, Pandas, SciKit-Learn. Une compréhension de base de la théorie du Machine Learning est nécessaire
Public visé
Les étudiants en Machine Learning, les software engineers et les data scientists qui souhaitent apprendre les dernières avancées en Deep Learning
