Présentiel et distanciel
3 jours (21 heures)

Fondamentaux du Deep Learning avec PyTorch

Formation pratique sur PyTorch : tenseurs, calcul sur GPU (CUDA et Apple MPS), autograd, boucle d'entraînement, évaluation, réseaux convolutifs, puis ouverture vers l'IA générative (embeddings, attention, Hugging Face). 13 labs.

Objectifs de la formation

  • Situer le deep learning parmi les familles d'IA et éviter le sur-apprentissage comme le sous-apprentissage.
  • Mettre en place un environnement PyTorch reproductible et exploiter le GPU (CUDA ou MPS).
  • Manipuler les tenseurs : formes, types, indexation, opérations, transferts entre CPU et GPU.
  • Comprendre autograd, la rétropropagation et la descente de gradient, et le vérifier analytiquement.
  • Construire, entraîner et évaluer des réseaux de neurones (régression, classification, images).
  • Choisir les bonnes fonctions de perte, optimiseurs et métriques.
  • Préparer le passage vers l'IA générative : embeddings, attention, écosystème Hugging Face.

Public concerné

  • Développeurs.
  • Data analysts et data scientists débutants.
  • Ingénieurs souhaitant aborder l'IA générative.

Prérequis

  • Pratique de Python et notions de NumPy.
  • Bases de mathématiques : dérivée, produit matriciel.
  • Notions de machine learning souhaitées.
  • Un ordinateur avec Python 3.11+ et VS Code.

Programme détaillé

Jour 1 — Fondations et tenseurs

  • Panorama et rappels de machine learning : familles d'IA, IA discriminative et IA générative, jeux d'entraînement, de validation et de test, sous-apprentissage, sur-apprentissage et généralisation
  • Environnement et calcul sur GPU : projet Python avec uv, environnement virtuel et VS Code, CPU, GPU et VRAM, CUDA (NVIDIA) et MPS (Apple), graine aléatoire et reproductibilité. Lab 1 : environnement uv et détection du GPU
  • Les tenseurs : création, forme et type, reshape, squeeze et unsqueeze, indexation, concaténation et empilement, produit matriciel et produit élément par élément, broadcasting, transferts entre CPU et GPU. Lab 2 : exercices sur les tenseurs

Jour 2 — Apprendre à partir des données

  • Autograd et descente de gradient : graphe des opérations, rétropropagation, vérification analytique d'un gradient, taux d'apprentissage, mise à jour des paramètres et époques. Lab 3 : gradient calculé à la main et par autograd
  • Réseaux de neurones : neurone, biais et fonction d'activation, ReLU, sigmoïde et tanh, couches linéaires, modèles séquentiels et classe nn.Module, paramètres et hyperparamètres. Lab 4 : construire et inspecter un perceptron multicouche
  • La boucle d'entraînement : fonctions de perte, optimiseurs SGD et Adam, étapes de la boucle (prédiction, perte, remise à zéro des gradients, rétropropagation, mise à jour), Dataset et DataLoader, suivi de la perte. Labs 5 et 6 : régression linéaire avec bruit, classifieur binaire et frontière de décision

Jour 3 — Évaluer, généraliser, ouvrir vers l'IA générative

  • Évaluation et généralisation : modes d'entraînement et d'évaluation, dropout et normalisation par lots, arrêt anticipé et courbes d'apprentissage, métriques (R², exactitude, précision, rappel, F1, matrice de confusion), sauvegarde et chargement d'un modèle. Labs 7 et 8 : détecter et corriger un sur-apprentissage, tableau de métriques et matrice de confusion
  • Réseaux convolutifs pour les images : convolution, pooling et couches denses, classification d'images sur GPU, augmentation de données, modèles pré-entraînés et transfert d'apprentissage. Labs 9 et 10 : classifieur d'images, transfert d'apprentissage
  • Vers l'IA générative : embeddings de texte et d'images, mécanisme d'attention et architecture Transformer, écosystème Hugging Face (modèles, tokenizers, pipelines). Labs 11 à 13 : embeddings et similarité, premier modèle Hugging Face en local, projet final

Modalités et évaluation

  • Présentiel ou distanciel en direct, 70 % de pratique ; sessions intra-entreprise sur demande
  • Formation dispensée en français
  • 13 labs, 10 mises en situation de débogage et 1 projet final noté
  • Évaluation : quiz (15 %), labs validés (40 %), mises en situation (10 %), projet final (35 %)
  • Attestation de formation ECINTELLIGENCE remise à partir de 60 %

Livrables remis aux participants

  • Manuel de cours et cahier de labs ECINTELLIGENCE (PDF)
  • Notebooks corrigés de tous les labs
  • Aide-mémoire PyTorch : tenseurs, autograd, boucle d'entraînement, pertes, métriques
  • Gabarit de projet PyTorch (uv, structure, configuration)
  • 10 mises en situation corrigées
  • Fiche « Lexique de l'IA » et tableau de dimensionnement VRAM

Suite de parcours

Les modèles, versions et fonctions évoluant rapidement, le contenu est actualisé avant chaque session. Les noms de produits cités (PyTorch, OpenShift, Kubernetes, Proxmox, NVIDIA, Hugging Face…) sont des marques de leurs propriétaires respectifs.

Certification

À l'issue de cette formation, vous recevrez une attestation de participation délivrée par ECINTELLIGENCE.

Sur devis

Durée

3 jours (21 heures)

Modalité

Présentiel et distanciel

Prochaine session

Sur demande

Demander un devis

Autres formations qui pourraient vous intéresser

Panorama de l'IA pour décideurs

Présentiel et distanciel

Une journée sans jargon pour les décideurs : panorama de l'IA prédictive, générative et agentique, conditions de réussite d'un projet, …

1 jour (7 heures) En savoir plus

Claude pour les professionnels

Présentiel et distanciel

Formation pratique pour tous les métiers : bien formuler ses demandes, choisir le bon modèle, exploiter projets, documents, recherche et …

2 jours (14 heures) En savoir plus

Développer avec l'API Claude et les agents

Présentiel et distanciel

Formation développeur : API Messages, streaming, erreurs et limites, maîtrise des coûts (batch, prompt caching), sorties structurées, outils, MCP, Agent …

4 jours (28 heures) En savoir plus

Prêt à développer vos compétences ?

Rejoignez des centaines de professionnels qui ont fait confiance à ECINTELLIGENCE pour leur montée en compétences.

Voir toutes nos formations