Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction to Transfer Learning
- Qu'est-ce que l'apprentissage par transfert ?
- Principaux avantages et limites
- En quoi l'apprentissage par transfert diffère-t-il de l'apprentissage automatique traditionnel ?
Comprendre les modèles pré-entraînés
- Vue d'ensemble des modèles pré-entraînés les plus populaires (par exemple, ResNet, BERT)
- Architectures de modèles et leurs principales caractéristiques
- Applications des modèles pré-entraînés dans différents domaines
Ajustement des modèles pré-entraînés
- Comprendre l'extraction de caractéristiques par rapport au réglage fin
- Techniques pour un réglage fin efficace
- Éviter le surajustement pendant le réglage fin
Apprentissage par transfert dans Natural Language Processing (NLP)
- Adapter les modèles de langage à des tâches de TAL personnalisées
- Utiliser les transformateurs Hugging Face pour le NLP
- Étude de cas : Analyse de sentiments avec l'apprentissage par transfert
L'apprentissage par transfert dans Computer Vision
- Adaptation de modèles de vision pré-entraînés
- Utilisation de l'apprentissage par transfert pour la détection et la classification d'objets
- Étude de cas : Classification d'images avec l'apprentissage par transfert
Exercices pratiques
- Chargement et utilisation de modèles pré-entraînés
- Affiner un modèle pré-entraîné pour une tâche spécifique
- Évaluer les performances du modèle et améliorer les résultats
Applications de l'apprentissage par transfert dans le monde réel
- Applications dans les domaines de la santé, de la finance et de la vente au détail
- Exemples de réussite et études de cas
- Tendances et défis futurs de l'apprentissage par transfert
Résumé et prochaines étapes
Pré requis
- Compréhension de base des concepts d'apprentissage automatique
- Familiarité avec les réseaux neuronaux et l'apprentissage profond
- Expérience de la programmation Python.
Audience
- Scientifiques des données
- Adeptes de l'apprentissage automatique
- Professionnels de l'IA explorant les techniques d'adaptation de modèles
14 Heures