Introduction à l'apprentissage profond et PyTorch

Présentation des bases de l'apprentissage profonds avec des exemples utilisant PyTorch et Poutyne. Les concepts suivants seront abordés:

• Neurone
• Couche pleinement connectée
• Fonctions d'activation
• Fonctions de perte
• Régularisation
• Entraînement et descente en gradient
• Base des réseaux à convolutions

Prérequis: Connaissances de base en apprentissage automatique (présentation précédente)

Exécuter les notebooks

Pour exécuter les notebooks avec un GPU (beaucoup plus rapide), vous pouvez utiliser Google Colab.

1. Notebook avec le California house-prices dataset (sklearn_dataset_training.ipynb)
2. Notebook avec MNIST (introduction_pytorch_poutyne.ipynb)
3. Notebook avec du transfert d'apprentissage (transfer_learning.ipynb)