Machine Learning: Cours Avancé

Implémentation d'articles scientifiques de Machine Learning avec PyTorch

What you'll learn

Concepts avancé de Machine Learning

Modèles Génératifs, Meta Learning, Nerf, Reinforcement Learning, Supervised Learning, Unsupervised Learning, …

Implémentation d'articles scientifiques

PyTorch par la pratique

Requirements

Compétences intermédiaires en Machine Learning

Description

Le but de ce cours est d'approfondir vos compétences en Machine Learning, en implémentant des articles scientifiques. Nous avons l'ambition de vous propulser dans le top 5% des praticiens en Machine Learning, afin de "booster" vos opportunités professionnelles.Articles implémentés (ou prochainement implémentés):Maxout NetworksAuto-Encoding Variational BayesGenerative Adversarial NetworksConditional Generative Adversarial NetsNICE: Non-linear Independent Components EstimationVariational Inference with Normalizing FlowsUnsupervised Representation Learning with Deep Convolutional Generative Adversarial NetworksAdversarially Learned InferenceImproved Techniques for Training GANsLeast Squares Generative Adversarial NetworksModel-Agnostic Meta-Learning for Fast Adaptation of Deep NetworksAdversarial Feature LearningOn First-Order Meta-Learning AlgorithmsSequential Neural LikelihoodOptimizing Millions of Hyperparameters by Implicit DifferentiationImplicit Neural Representations with Periodic Activation FunctionsFourier Features Let Networks Learn High Frequency Functions in Low Dimensional DomainsLikelihood-free MCMC with Amortized Approximate Ratio EstimatorsNeRF: Representing Scenes as Neural Radiance Fields for View SynthesisMultiplicative Filter NetworksGromov-Wasserstein Distances between Gaussian DistributionsPlaying Atari with Deep Reinforcement LearningHuman-level control through deep reinforcement learningProximal Policy Optimization AlgorithmsAdam: A Method for Stochastic OptimizationWasserstein GANDeep Unsupervised Learning using Nonequilibrium ThermodynamicsInstant Neural Graphics Primitives with a Multiresolution Hash EncodingAutoInt: Automatic integration for fast neural volume renderingMip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance FieldsMasked Autoregressive Flow for Density EstimationDensity estimation using Real NVPNeural Empirical Bayes: Source Distribution Estimation and its Applications to Simulation-Based InferenceN'attendez plus avant d'affûter vos compétences en Machine Learning!

Overview

Section 1: Introduction

Lecture 1 Introduction

Lecture 2 Structure du cours

Section 2: Modèles génératifs : "Generative Adversarial Nets"

Lecture 3 Résultats

Lecture 4 Parcours de l'article scientifique

Lecture 5 Implémentation - partie 1

Lecture 6 Implémentation - partie 2

Lecture 7 Revue du code

Section 3: Modèles génératifs : "Auto-Encoding Variational Bayes"

Lecture 8 Résultats

Lecture 9 Parcours de l'article scientifique

Lecture 10 Implémentation - partie 1

Lecture 11 Implémentation - partie 2

Lecture 12 Implémentation - partie 3

Lecture 13 Revue du code

Section 4: Meta Learning : "On First-Order Meta-Learning Algorithms"

Lecture 14 Résultats

Lecture 15 Parcours de l'article scientifique

Lecture 16 Implémentation - partie 1

Lecture 17 Implémentation - partie 2

Lecture 18 Revue du code

Section 5: Fonction implicites: "Siren"

Lecture 19 Résultats

Lecture 20 Parcours de l'article scientifique

Lecture 21 Implémentation - partie 1

Lecture 22 Implémentation - partie 2

Lecture 23 Revue du code

Section 6: Modèles génératifs : "Improved Techniques for Training GANs"

Lecture 24 Résultats

Lecture 25 Parcours de l'article scientifique

Lecture 26 Implémentation - partie 1

Lecture 27 Implémentation - partie 2

Lecture 28 Implémentation - partie 3

Lecture 29 Revue du code

Étudiants, doctorants et chercheurs,Développeurs, Data scientist, ML engineer