Avec le recul, l'importance des GPU pour l'IA était quelque chose que nous avons vraiment bien compris !

Un nouveau certificat professionnel passionnant : PyTorch pour l'apprentissage profond, enseigné par @lmoroney, est maintenant disponible. C'est le programme définitif pour apprendre PyTorch, qui est l'un des principaux frameworks utilisés par les chercheurs pour construire des systèmes d'IA révolutionnaires. Si vous souhaitez comprendre comment fonctionnent les modèles modernes d'apprentissage profond—ou construire vos propres architectures personnalisées—PyTorch vous donne un contrôle direct sur les aspects clés du développement de modèles. Ce certificat professionnel en trois cours vous emmène des fondamentaux aux architectures avancées et au déploiement : Cours 1 : PyTorch : Fondamentaux - Apprenez comment PyTorch représente les données avec des tenseurs et comment les ensembles de données s'intègrent dans le processus d'entraînement. Vous construirez et entraînerez des réseaux de neurones étape par étape, surveillerez les progrès de l'entraînement et évaluerez les performances. À la fin, vous comprendrez le flux de travail de PyTorch et serez prêt à concevoir, entraîner et tester vos propres modèles. Cours 2 : PyTorch : Techniques et outils de l'écosystème - Maîtrisez l'optimisation des hyperparamètres, le profilage des modèles et l'efficacité des flux de travail. Vous utiliserez des planificateurs de taux d'apprentissage, aborderez le surapprentissage et appliquerez un réglage automatisé avec Optuna. Travaillez avec TorchVision pour l'IA visuelle et Hugging Face pour le NLP. Apprenez l'apprentissage par transfert et affinez les modèles pré-entraînés pour de nouveaux problèmes. Cours 3 : PyTorch : Architectures avancées et déploiement - Construisez des architectures sophistiquées, y compris des réseaux siamois, ResNet, DenseNet et Transformers. Apprenez comment les mécanismes d'attention alimentent les modèles de langage modernes et comment les modèles de diffusion génèrent des images. Préparez les modèles pour le déploiement avec ONNX, MLflow, l'élagage et la quantification. Compétences que vous acquerrez : - Construire et optimiser des réseaux de neurones dans PyTorch—le framework utilisé par les chercheurs pour créer des modèles révolutionnaires - Affiner les modèles pré-entraînés pour des tâches de vision par ordinateur et de NLP—adapter des modèles existants pour résoudre vos problèmes spécifiques - Implémenter des architectures de transformateurs et travailler avec des modèles de diffusion, les technologies de base derrière ChatGPT et la génération d'images moderne - Optimiser les modèles avec la quantification et l'élagage pour les rendre rapides et efficaces pour un déploiement dans le monde réel Que vous souhaitiez utiliser des modèles préexistants, construire vos propres modèles personnalisés ou simplement comprendre ce qui se passe sous le capot des systèmes que vous utilisez, cette spécialisation vous donnera cette base. Commencez à apprendre PyTorch :

Un nouveau cours passionnant : Ajustement et apprentissage par renforcement pour les LLM : Introduction à l'après-formation, enseigné par @realSharonZhou, VP de l'IA chez @AMD. Disponible maintenant à . L'après-formation est la technique clé utilisée par les laboratoires de pointe pour transformer un LLM de base - un modèle entraîné sur un texte non étiqueté massif pour prédire le mot/token suivant - en un assistant utile et fiable capable de suivre des instructions. J'ai également vu de nombreuses applications où l'après-formation transforme une application de démonstration qui fonctionne seulement 80 % du temps en un système fiable qui performe de manière constante. Ce cours vous enseignera les techniques d'après-formation les plus importantes ! Dans ce cours de 5 modules, Sharon vous guide à travers l'ensemble du pipeline d'après-formation : ajustement supervisé, modélisation des récompenses, RLHF, et des techniques comme PPO et GRPO. Vous apprendrez également à utiliser LoRA pour un entraînement efficace, et à concevoir des évaluations qui détectent les problèmes avant et après le déploiement. Compétences que vous acquerrez : - Appliquer l'ajustement supervisé et l'apprentissage par renforcement (RLHF, PPO, GRPO) pour aligner les modèles sur les comportements souhaités - Utiliser LoRA pour un ajustement efficace sans réentraîner des modèles entiers - Préparer des ensembles de données et générer des données synthétiques pour l'après-formation - Comprendre comment faire fonctionner des pipelines de production LLM, avec des points de décision go/no-go et des boucles de rétroaction Ces méthodes avancées ne sont plus réservées aux laboratoires d'IA de pointe, et vous pouvez maintenant les utiliser dans vos propres applications. Apprenez ici :