Introduction au framework PyTorch

Dans ce cours, je vais vous expliquer de manière pratique et intuitive comment fonctionne le framework PyTorch. Nous irons donc au-delà de l'utilisation de l'API ce qui vous permettra de comprendre concrètement ce qui s'y passe et vous permettra de continuer votre parcours dans le machine learning et/ou la programmation différentiable avec plus de confiance. Ce cours est divisé en trois parties.

Dans la première partie, nous implémenterons (en Python, à partir de zéros) notre propre framework de programmation différentiable, qui sera très semblable à PyTorch. Cela vous permettra de comprendre le fonctionnement de PyTorch, TensorFlow, JAX, etc. Ensuite, nous nous recentrerons sur PyTorch et verrons les opérations tensorielles de base, le calcul de gradients et l'utilisation de carte graphiques (GPUs).

Dans la deuxième partie, nous nous focaliserons sur les algorithmes de descente de gradients (essentiels pour l'entraînement de réseaux de neurones). Nous implémenterons le simulateur d'un problème balistique et verrons comment utiliser la puissance de PyTorch pour résoudre un problème d'optimisation (ce problème pédagogique pourra être facilement étendu à un problème réel, comme des simulations de mécanique des fluides, pour ceux qui le souhaitent). Nous verrons aussi comment utiliser les optimiseurs et comment les combiner avec des planificateurs pour qu'ils soient d'autant plus efficace.

Finalement, nous attaquerons les réseaux de neurones. Nous résoudrons un problème de classification, d'abord avec un MLP, et ensuite avec un CNN. Le dernier module de ce cours consistera à implémenter un LSTM afin de prédire le cours de la bourse sur des données réelles.