Machine learning : modèles génératifs (GANs) avec PyTorch

Dans ce cours accéléré, nous allons aborder les opportunités qu'offrent les modèles génératifs et ensuite, nous nous intéresserons plus particulièrement aux Generative Adversarial Networks (GANs). Je vais vous expliquer le fonctionnement des GANs de manière intuitive et ensuite, nous nous plongerons dans l'article qui les a introduit en 2014 (Ian J. Goodfellow et al.). Je vous expliquerai donc de manière mathématique le fonctionnement des GANs, ce qui vous permettra d'avoir les bases nécessaires pour implémenter votre premier GAN en partant de zéro.Nous implémenterons en approximativement 100 lignes de code un générateur, un discriminateur et le pseudo-code décrit dans l'article afin d'entraîner ces derniers. Nous utiliserons le langage de programmation Python et le framework PyTorch. Après entraînement, le générateur nous permettra de générer des images synthétiques.J'ai la conviction qu'un concept s'apprend par la pratique et ce cours accéléré a pour objectif de vous donner les bases nécessaires afin de continuer votre apprentissage du Machine Learning, de PyTorch et des modèles génératifs (GANS, Variational Autoencoders, Normalizing Flows, ...).À l'issue de ce cours, le participant aura la possibilité d'utiliser Python (et plus particulièrement le framework PyTorch) afin d'implémenter des articles scientifiques et des solutions d'intelligence artificielle. Ce cours a également pour objectif d'être un tremplin dans votre apprentissage des modèles génératifs.Au-delà des GANs, ce cours est également une introduction générale au framework PyTorch et un cours de Machine learning de niveau intermédiaire .Concepts abordés:Le framework PyTorch afin d'implémenter et d'optimiser des réseaux de neurones.Le framework Keras afin de charger un ensemble de données.Google colab.L'utilisation des modèles génératifs dans le monde de la recherche et industri