Cours de deep learning

Présentation du cours de deep learning

• Les supports de cours, les enregistrements et la machine virtuelle du cours de deep learning de François Fleuret sont disponibles dans le cours 14x050 de l’Université de Genève
• Fournit une introduction approfondie à l’apprentissage profond avec le framework PyTorch
• Le cours a été développé en 2018 à l’institut Idiap et enseigné jusqu’en 2022 à l’École polytechnique fédérale de Lausanne sous le code EE-559

Supports de cours

• Les diapositives PDF du cours sont fournies au format paysage et incluent des overlays pour faciliter l’enseignement
• Le PDF des handouts est compilé en orientation portrait, sans effets complexes, avec des notes supplémentaires
• Les screencasts sont proposés en streaming dans le navigateur ou en fichiers MP4 téléchargeables

Prologue des séances pratiques

• Le prologue Python pour les séances pratiques analyse les arguments de ligne de commande et fournit des fonctions de chargement des données
• Les fonctions de chargement téléchargent les données si nécessaire, restructurent les images en vecteurs unidimensionnels et normalisent ou aplatissent les données selon les besoins

Utilisation de la machine virtuelle

• La machine virtuelle (VM) est un logiciel qui simule un ordinateur complet et fournit un système d’exploitation Linux avec tous les outils nécessaires pour utiliser PyTorch dans un navigateur web
• La VM démarre automatiquement JupyterLab et l’exécute sur le port 8888, ce qui permet d’y accéder via le navigateur web de la machine hôte

L’avis de GN⁺

Ce cours offre une introduction complète au deep learning et reste facile à comprendre, même pour les ingénieurs logiciel débutants. L’intégration de véritables supports de cours et d’une machine virtuelle pour la pratique le rend particulièrement intéressant.

[bigtallee]

C’est dommage qu’il n’y ait pas de sous-titres pour le cours..

[GN⁺]

Avis Hacker News

• Recommandations de diverses ressources d’apprentissage

  • Il manque le livre "Understanding Deep Learning" dans la liste. Le livre de Simon J.D. Prince est remarquable grâce à ses liens vers des références avancées à la fin de chaque chapitre, ses exercices pour tester la compréhension et ses notebooks contenant du code pour mettre les concepts en pratique.
  • On peut regarder l’intégralité de la série de cours de machine learning de Stanford sur leur chaîne YouTube (19 vidéos). De nombreux cours d’informatique y sont également publiés.
  • Il est aussi recommandé de jeter un œil à "Little Book of Deep Learning".
  • "Practical Deep Learning for Coders" est également une ressource utile.
  • Le cours de deep learning de la NYU donné par Yann LeCun et Alfredo Canziani est disponible en intégralité sur YouTube.

• Ressources pour ceux qui cherchent un parcours approfondi sans vidéos

  • Besoin d’informations sur un parcours approfondi qui n’exige pas de regarder des vidéos.

• Recommandation de cours pour les débutants

  • Le premier cours de la série d’Andrej Karpathy est très accessible pour les débutants.

• Réflexion sur la possibilité de se reconvertir dans ce domaine

  • La personne explique avoir travaillé comme développeur full stack pendant plusieurs années, mais s’interroge sur la possibilité d’entrer dans ce domaine après 6 mois d’apprentissage.

• Choisir parmi plusieurs options

  • Le cours de Sebastian Raschka est facile d’accès si l’on connaît Python ou un langage similaire.
  • La personne vient de commencer le cours Coursera d’Andrew Ng et se demande quelles sont les différences entre ces options gratuites.