Chapitre 1 | Introduction et installation de PyTorch
1.1 Présentation et historique de PyTorch
1.2 Principales caractéristiques et avantages de PyTorch
1.3 Configuration de l'environnement de développement - Axé sur Google Colab
1.4 Installation de PyTorch et exécution de votre premier code (Colab)
Problèmes pratiques

Chapitre 2 | Opérations PyTorch de base
2.1 Concept et création de tenseurs
2.2 Opérations tensorielles de base
2.3 Comparaison des tenseurs et des tableaux NumPy
2.4 Utilisation des tenseurs par le GPU
2.5 Exemple de pratique complète
Problèmes pratiques

Chapitre 3 | Implémentation des réseaux neuronaux
3.1 Aperçu des réseaux neuronaux
3.2 Comprendre la structure de base des réseaux neuronaux
3.3 Processus d'apprentissage des réseaux neuronaux
3.4 Implémentation d'un réseau neuronal à l'aide de PyTorch
3.5 Exercices de classification MNIST
3.6 Évaluation et amélioration du modèle
Problèmes pratiques

Chapitre 4 | Construction d'un modèle d'apprentissage profond
4.1 Comprendre le processus d'entraînement du modèle à l'aide de PyTorch
4.2 Prétraitement des données et utilisation de DataLoader
4.3 Évaluation et amélioration des performances du modèle
Problèmes pratiques

Chapitre 5 | Réseaux neuronaux convolutifs (CNN)
5.1 Concepts de base et structure des réseaux de neurones convolutifs
5.2 Composants clés d'un réseau neuronal convolutif
5.3 Architectures avancées de réseaux neuronaux convolutifs
5.4 Structure ResNet
5.5 Optimisation des performances des réseaux de neurones convolutifs
5.6 Visualisation et interprétation des réseaux neuronaux convolutifs
Problèmes pratiques

Chapitre 6 | Réseaux de neurones récurrents (RNN)
6.1 Principes de base des réseaux de neurones récurrents
6.2 Architecture avancée des réseaux neuronaux récurrents
6.3 Implémentation d'un réseau neuronal récurrent à l'aide de PyTorch
6.4 Implémentation d'un réseau neuronal récurrent à l'aide de PyTorch
6.5 Applications de traitement automatique du langage naturel
6.6 Optimisation des hyperparamètres des réseaux de neurones récurrents
6.7 Applications pratiques et optimisation des réseaux de neurones récurrents
Problèmes pratiques

Chapitre 7 | Transformateurs et apprentissage par transfert
7.1 Comprendre la structure d'un transformateur
7.2 Intégration de modèles pré-entraînés avec l'apprentissage par transfert
7.3 Aperçu du traitement automatique du langage naturel et du transformateur de vision
Problèmes pratiques

Chapitre 8 | Applications du traitement d'images
8.1 Principaux défis en vision par ordinateur
8.2 Implémentation et utilisation de ResNet
8.3 Mise en œuvre du modèle de détection d'objets
8.4 Exercices de segmentation
8.5 Techniques d'application avancées
8.6 Exemples d'application pratique
Problèmes pratiques

Chapitre 9 | Applications du traitement de texte et apprentissage profond pour les analyseurs de sentiments LSTM
9.1 Mise en œuvre et entraînement d'un modèle de traitement automatique du langage naturel
9.2 Exercices pratiques sur les modèles LSTM et l'analyse des sentiments
9.3 Exercices supplémentaires
9.4 Évaluation du modèle et amélioration des performances
Problèmes pratiques

Chapitre 10 | Applications de traitement audio
10.1 Principes fondamentaux du traitement du signal audio
10.2 Traitement audio avec PyTorch
10.3 Implémentation du modèle WaveNet
Problèmes pratiques

Chapitre 11 | Apprentissage par renforcement
11.1 Concepts de base de l'apprentissage par renforcement
11.2 Implémentation de DQN (Deep Q-Network)
11.3 Application de la technique du gradient de politique
11.4 Utilisation de divers environnements d'apprentissage par renforcement
11.5 Évaluation du modèle et amélioration des performances
Problèmes pratiques

Chapitre 12 | Optimisation et déploiement des performances du modèle
12.1 Principes fondamentaux de l'optimisation des modèles et de l'analyse des performances
12.2 Techniques d'allègement des modèles
12.3 Conversion du modèle et déploiement du service
12.4 Surveillance et maintenance
Problèmes pratiques

Apprentissage profond avec PyTorch : Apprendre par la pratique
Des concepts aux modèles les plus récents en passant par les projets pratiques, tout est réuni dans un seul ouvrage.

Partant des bases de PyTorch, il est conçu pour apprendre systématiquement les concepts fondamentaux en implémentant divers modèles d'apprentissage profond tels que les réseaux neuronaux, les CNN, les RNN et les transformateurs.
Vous apprendrez l'apprentissage pratique par projet dans un large éventail de domaines d'application, notamment la vidéo, le texte, l'audio et l'apprentissage par renforcement, et développerez un large éventail de compétences pratiques, de l'optimisation des modèles aux techniques de déploiement.
Cette approche pratique va au-delà de la théorie et offre une compréhension approfondie du « pourquoi les choses fonctionnent ainsi », permettant à chacun de se lancer facilement dans l'apprentissage profond.

ÉTAPE 1 - Notions de base
ÉTAPE 2 - Construction d'un modèle d'apprentissage profond
ÉTAPE 3 - Avancement de l'apprentissage profond
ÉTAPE 4 - Optimisation et déploiement
ÉTAPE 5 - Diverses applications d'apprentissage profond