deep_4_all

Cours et codes pour enseigner le deep learning.

Prérequis

• Python 3.13+
• uv (gestionnaire de paquets Python)

Installation

1. Installer uv

Windows (PowerShell):

irm https://astral.sh/uv/install.ps1 | iex

Linux/macOS:

curl -LsSf https://astral.sh/uv/install.sh | sh

2. Cloner le projet

git clone https://github.com/blancsw/deep_4_all.git
cd deep_4_all

3. Installer les dépendances

pour mac ou si vous avez que un processeur Intel pas de GPU

uv sync

Si vous avre un GPU nvidia

Cette commande crée automatiquement un environnement virtuel et installe toutes les dépendances.

Pour installer pytorch GPU

uv sync --extra cu130

Utilisation pour les Cours

uv run marimo edit

Activer l'environnement et lancer Jupyter Lab :

uv run jupyter lab

Structure du dossier cours/

cours/
├── CM/                          # Cours Magistraux (notebooks Marimo)
│   ├── 01_cours_neural_networks.py   # Introduction aux réseaux de neurones
│   ├── 02_word_embedding.py          # Word embeddings
│   ├── 03_LSTM_RNN.py                # LSTM et réseaux récurrents
│   └── 04_transformers.py            # Transformers et self-attention
│
└── TP/                          # Travaux Pratiques
    ├── tp1_micrograd/           # Autograd from scratch (micrograd)
    ├── tp2/                     # TP2-3 : PyTorch MLP et généralisation
    └── tp4/                     # Distillation de modèles (DASD)

CM - Cours Magistraux

Les cours sont des notebooks Marimo interactifs.

CM	Sujet	Description
CM1	Réseaux de neurones	Perceptron, MLP, fonctions d'activation, backpropagation
CM2	Word Embeddings	Représentations vectorielles, Word2Vec, similarité sémantique
CM3	LSTM & RNN	Réseaux récurrents, LSTM, GRU, séquences
CM4	Transformers	Self-attention, architecture Transformer, positional encoding

Pour lancer un cours :

uv run marimo run cours/CM/01_cours_neural_networks.py

TP - Travaux Pratiques

TP	Sujet	Description
TP1	Micrograd	Implémentation de l'autograd from scratch, introduction à PyTorch
TP2-3	PyTorch MLP	Entraînement de MLP, optimisation, régularisation, leaderboard
TP4	DASD	Distillation de modèles de raisonnement (Long-CoT)

Note : Le TP3 (LSTM, embeddings, RNN) est intégré au cours 03_LSTM_RNN.py.