Ce cours explore les fondements et l'évolution des systèmes modernes d'apprentissage profond génératif, en vous guidant de l'apprentissage des représentations latentes aux architectures de diffusion avancées, en passant par les stratégies de déploiement évolutives sur GPU. Alliant une grande profondeur conceptuelle à des démonstrations pratiques, ce cours propose un parcours structuré à travers les paradigmes de modélisation générative, les innovations architecturales et les techniques d'optimisation prêtes pour la production.

Vous commencerez par comprendre les auto-encodeurs et les auto-encodeurs variationnels (VAE), en examinant comment les réseaux neuronaux apprennent des représentations latentes compressées et des espaces probabilistes structurés. De là, vous passerez aux réseaux antagonistes génératifs (GAN), en analysant les dynamiques d’entraînement antagoniste, les défis liés à l’instabilité et les améliorations architecturales telles que les DCGAN et les CycleGAN. Au fil du cours, vous acquerrez une compréhension approfondie des modèles de diffusion — notamment le DDPM, les systèmes de débruitage basés sur U-Net, la diffusion latente et les techniques de génération conditionnelle qui sous-tendent les systèmes modernes de conversion texte-image. Le cours s’étend ensuite aux systèmes GPU et à l’apprentissage profond évolutif. Vous explorerez les charges de travail liées à la détection et à la segmentation d’objets, l’entraînement en précision mixte, les stratégies de parallélisme distribué des données, le parallélisme des modèles et le déploiement de GPU prêt pour la production. Grâce à des démonstrations et des exercices de benchmarking, vous verrez comment les systèmes génératifs modernes évoluent efficacement tout en équilibrant les contraintes de mémoire, de calcul et de latence. À l’issue de ce cours, vous serez capable de : • Expliquer comment les auto-encodeurs et les VAE apprennent des représentations latentes structurées. • Analyser la dynamique d’entraînement des GAN et diagnostiquer les problèmes d’instabilité tels que l’effondrement des modes. • Comparer des architectures GAN avancées et évaluer les compromis en matière de qualité de sortie. • Comprendre les principes fondamentaux des modèles de diffusion et les processus de débruitage inversé. • Concevoir des systèmes de diffusion basés sur U-Net pour la génération d’images conditionnelles. • Mettre en œuvre la diffusion conditionnée par du texte à l’aide de techniques d’échantillonnage guidé. • Appliquer des stratégies d’entraînement en précision mixte et sur GPU distribué pour les modèles à grande échelle. • Concevoir des pipelines de déploiement prêts à l’emploi pour les systèmes d’IA générative. Ce cours s’adresse aux ingénieurs en IA, aux professionnels de l’apprentissage automatique, aux chercheurs et aux étudiants de niveau avancé qui souhaitent acquérir une compréhension rigoureuse de la modélisation générative, au-delà de l’utilisation superficielle des API. Une connaissance de base de Python, de l’algèbre linéaire et des réseaux neuronaux sera utile. Rejoignez-nous pour maîtriser l’apprentissage profond génératif, comprendre les systèmes de diffusion et les systèmes adversariaux, et acquérir les compétences techniques nécessaires pour concevoir, faire évoluer et déployer des architectures modernes d’IA générative.