Descriptif

Deep learning avec PyTorch est une formation de 3 jours (21 heures), de niveau expert, rattachée au domaine « Intelligence artificielle expert ». Développer des modèles de deep learning avec PyTorch. Conçue et animée par des praticiens en activité, elle alterne apports ciblés (30 %) et mises en pratique (70 %) sur des laboratoires cloud individuels, avec des cas inspirés des secteurs banque, assurance et services publics. Disponible en inter-entreprises, en intra sur catalogue et en version sur mesure adaptée au contexte de l'entreprise.

Objectifs pédagogiques

À l'issue de la formation, le participant sera capable de :

Maîtriser la construction avancée de réseaux de neurones profonds avec
Savoir entraîner, valider et évaluer des modèles de deep learning sur des jeux de données réels
Optimiser les architectures et déboguer efficacement les modèles pour améliorer les performances
Déployer des modèles deep learning dans des environnements de production adaptés au secteur d'activité

Programme détaillé

N°	Contenus et activités	Durée
Jour 1
1	Cadrage : attentes, inventaire des projets en cours, vérification de l'environnement CUDA, PyTorch et JupyterLab de chaque poste	0,5 h
2	Travaux pratiques : maîtriser Dataset, DataLoader, collation personnalisée et transformations sur un corpus fictif d'images industrielles	2 h
3	Laboratoire : écrire une boucle d'entraînement explicite avec validation, points de reprise, graine déterministe et journalisation TensorBoard	2,5 h
4	Atelier : profiler le goulot d'étranglement avec torch.profiler — nombre de workers, pin_memory, occupation GPU relevée avec nvidia-smi	2 h
Jour 2
5	Travaux pratiques : transfert d'apprentissage et dégel progressif des couches, taux d'apprentissage différenciés, mesure en exactitude, F1 macro et matrice de confusion	2,5 h
6	Laboratoire : accélérer l'entraînement — précision mixte avec torch.amp, accumulation de gradients, torch.compile et DistributedDataParallel sur deux GPU	2,5 h
7	Atelier : déboguer un modèle qui n'apprend pas — surapprentissage volontaire d'un mini-lot, inspection des normes de gradients, NaN, écart entre mode entraînement et mode évaluation	2 h
Jour 3
8	Travaux pratiques : écrire une couche et une fonction de perte personnalisées avec autograd.Function, valider les gradients par gradcheck	2 h
9	Cas pratique : exporter en TorchScript puis en ONNX, quantifier, mesurer latence p50 et p95 et empreinte mémoire avant et après	2,5 h
10	Laboratoire : servir le modèle dans un conteneur Docker, versionner code et poids avec Git, définir les sondes de surveillance	1,5 h
11	Synthèse : revue de code croisée des modèles produits, évaluation des acquis et plan de montée en charge individuel	1 h

Méthodes pédagogiques

Pédagogie active : 93 % du temps en pratique encadrée — laboratoires cloud provisionnés par participant, travaux pratiques guidés, fil rouge applicatif —, le reste en apports structurés, démonstrations commentées, cadrage et évaluation
répartition calculée sur le déroulé détaillé de cette formation, et non annoncée de façon uniforme
classe inversée avec prérequis sur le LMS
apprentissage adaptatif selon le positionnement initial
travaux en binômes
classe virtuelle en séquences de 3 h 30 maximum sur Microsoft Teams
support clair, complet et paginé remis à chaque participant

Technologies et outils mobilisés

LMS DATAROCKSTARS, Python 3.8+, PyTorch (dernier stable), Jupyter Notebook / JupyterLab, Visual Studio Code, CUDA Toolkit (pour GPU), TensorBoard pour PyTorch, Git, Docker (pour déploiement)

Modalités d'évaluation et de validation

Positionnement initial en ligne
quiz de validation à chaque séquence
évaluation finale des acquis (QCM et mise en situation)
satisfaction à chaud
questionnaire de transfert à 30 jours
attestation de fin de formation

Plateforme, laboratoires et ressources

LMS DATAROCKSTARS : parcours, supports numériques, quiz, évaluations, émargement par demi-journée
laboratoires cloud individuels accessibles depuis un navigateur, sans installation, données fictives, détruits en fin de session
bibliothèque O'Reilly (plus de 60 000 ressources)
accès aux supports pendant 6 mois