Créer un projet de portfolio PyTorch au Maroc : guide pratique

Choisir un projet PyTorch adapté à son niveau

Un projet de portfolio doit être assez limité pour être terminé, mais assez complet pour montrer votre manière de travailler. Pour un projet PyTorch débutant, évitez de commencer par un système qui doit traiter plusieurs types de données, fonctionner en temps réel et s’intégrer à une application complexe. Définissez plutôt une tâche unique, un résultat observable et un périmètre que vous pouvez expliquer.

Une classification d’images constitue un exercice pratique PyTorch accessible : le modèle doit attribuer une catégorie à chaque image, par exemple distinguer deux types d’objets dans un jeu de données autorisé. Côté texte, vous pouvez classer des avis en catégories générales, à condition de choisir un corpus réutilisable et d’expliquer comment vous avez traité les langues et les caractères. Un projet de détection d’objets est plus ambitieux : il faut notamment des annotations adaptées et une évaluation qui ne se limite pas à regarder quelques prédictions.

Choisissez un sujet qui vous intéresse ou qui se rattache à un métier que vous connaissez. La pertinence vient moins d’un thème spectaculaire que de votre capacité à justifier le besoin, à expliquer vos choix et à reconnaître ce que le modèle ne sait pas faire. Si vous débutez, partez d’un tutoriel ou d’un exemple simple, puis modifiez une partie clairement identifiée : les données, la préparation, l’évaluation ou la présentation.

• Un objectif formulé en une phrase, avec une sortie que l’on peut vérifier.
• Des données disponibles légalement et en quantité compatible avec vos ressources.
• Un niveau de difficulté cohérent avec votre expérience en Python et en apprentissage automatique.
• Un résultat présentable sans promettre que le modèle remplace une décision humaine.
• Un périmètre qui peut être terminé et documenté avant d’ajouter des fonctionnalités.

Partir d’un besoin concret

Pour transformer une idée en projet concret PyTorch, imaginez une tâche de travail bien délimitée. Une petite boutique pourrait vouloir regrouper des photos de produits par catégorie ; une équipe de support pourrait trier des demandes par thème ; un atelier pourrait chercher à repérer visuellement des défauts sur des images de démonstration. Ces exemples servent à cadrer un exercice : ils ne signifient pas que le modèle est prêt à être utilisé dans une entreprise.

Décrivez d’abord le problème sans parler de réseau neuronal : qui a besoin du résultat, quelle décision ou quelle tâche pourrait-il faciliter, et à quoi ressemble une réponse utile ? Puis précisez ce que le projet ne fera pas. Par exemple, un classificateur de textes peut proposer une catégorie, mais il ne comprend pas nécessairement les nuances, l’ironie ou les formulations dialectales. Une démonstration de détection peut échouer si les conditions de prise de vue changent.

Avant de coder, rédigez un brief court. Il vous aidera à garder le projet réaliste et fournira une première structure à votre portfolio.

• Brief de projet — objectif : entraîner un modèle PyTorch qui classe des images appartenant à deux catégories définies, sur un jeu de données ouvert ou créé pour l’exercice.
• Public visé : une personne qui veut examiner rapidement des images et obtenir une proposition de catégorie, sans considérer la prédiction comme une décision définitive.
• Livrables : code d’entraînement et d’évaluation, instructions d’installation et d’exécution, fiche sur les données, résultats mesurés, exemples de prédictions et limites connues.
• Critère de réussite : le projet s’exécute à partir des instructions et présente des résultats sur un ensemble de test tenu à l’écart de l’entraînement.
• Hors périmètre : déploiement en production, garantie de précision dans tous les contextes et utilisation de données confidentielles.

Préparer les données, fichiers ou ressources

La préparation des données prend souvent plus de temps que prévu. Vérifiez la provenance du jeu de données, les conditions de réutilisation, les catégories disponibles et la présence éventuelle d’informations identifiantes. Dans un projet d’images, examinez la diversité des exemples et des conditions de prise de vue. Dans un projet de texte, regardez les langues, les doublons et les éléments susceptibles d’identifier une personne.

Pour un projet personnel, privilégiez des données ouvertes dont la licence et les conditions d’utilisation sont claires, ou des données synthétiques conçues pour l’exercice. Au Maroc, comme ailleurs, ne reprenez pas des fichiers de clients, de collègues ou d’un employeur sans autorisation explicite. Un fichier accessible sur un ordinateur professionnel n’est pas automatiquement publiable. Retirez les noms, adresses, identifiants et métadonnées sensibles ; si l’anonymisation ne peut pas être assurée, ne mettez pas les données dans le portfolio.

Organisez le projet de façon que le code puisse être consulté sans publier les données brutes. Notez la source, la date de récupération si elle est connue, les conditions d’usage et les transformations appliquées. Séparez les données de la documentation et du code, et prévoyez un moyen de télécharger ou de remplacer les ressources sans les inclure dans le dépôt public. Ne placez pas de mots de passe, clés d’accès ou fichiers de configuration sensibles dans le code.

Réunissez aussi les ressources techniques : environnement Python, version de PyTorch utilisée, dépendances, capacité de calcul disponible et temps consacré au projet. Le code doit pouvoir fonctionner, si possible, sur un matériel courant ou proposer une configuration réduite. Expliquez les choix nécessaires pour reproduire l’expérience plutôt que de supposer que la personne qui consulte votre portfolio dispose d’un accélérateur graphique.

• Un jeu de données autorisé, ou des exemples synthétiques.
• Un descriptif des catégories et de la manière dont les données ont été préparées.
• Des partitions distinctes pour l’entraînement, la validation et le test.
• Un fichier de dépendances et les indications sur l’environnement utilisé.
• Aucun secret, fichier client ou donnée personnelle non autorisée dans le dépôt ou les captures.

Réaliser le projet par étapes

Avancez par étapes courtes et gardez un résultat vérifiable à chacune. Un projet PyTorch ne doit pas commencer par l’ajout de couches complexes : commencez par charger les données correctement et par établir une référence simple. Vous pourrez ensuite comparer les résultats d’un modèle amélioré à cette première référence.

Pour un projet de classification d’images, les étapes ci-dessous montrent le travail attendu. Elles peuvent être adaptées à un autre cas d’usage, comme une classification de textes, en remplaçant le prétraitement et les métriques par ceux qui conviennent aux données.

• 1. Cadrer la tâche : préciser les entrées, les catégories à prédire, l’utilisateur visé et les limites du prototype.
• 2. Examiner les données : vérifier les formats, les étiquettes, les doublons et les déséquilibres importants entre catégories.
• 3. Préparer les partitions : séparer entraînement, validation et test avant l’entraînement ; éviter que des exemples presque identiques se retrouvent des deux côtés.
• 4. Construire le chargement des données : créer les transformations nécessaires et vérifier visuellement quelques exemples après prétraitement.
• 5. Établir une référence : commencer par une méthode simple, puis définir une mesure adaptée à l’objectif.
• 6. Construire et entraîner le modèle : utiliser PyTorch pour définir le modèle, la fonction de perte, l’optimiseur et la boucle d’entraînement ; consigner les paramètres essentiels.
• 7. Suivre les résultats : mesurer la performance sur la validation, observer l’évolution de la perte et arrêter ou ajuster l’entraînement si le modèle ne progresse pas.
• 8. Évaluer une seule fois sur le test final : calculer des métriques pertinentes, examiner les erreurs et comparer avec la référence.
• 9. Préparer une démonstration : montrer quelques prédictions avec leurs résultats attendus, y compris des échecs représentatifs.
• 10. Nettoyer le projet : vérifier les instructions, retirer les fichiers inutiles et préparer la documentation destinée à un tiers.

Tester, corriger et documenter

Un résultat de modèle n’est pas convaincant sans contrôles. La métrique choisie doit correspondre au problème : une bonne exactitude globale peut masquer des erreurs fréquentes sur une catégorie peu représentée. Affichez donc les résultats par catégorie lorsque c’est pertinent et expliquez pourquoi ces mesures aident à interpréter le prototype. Ne comparez pas des scores obtenus sur des partitions ou des conditions différentes comme s’ils étaient directement équivalents.

La documentation doit permettre à une autre personne de comprendre le projet sans vous demander d’explication. Présentez le besoin, les données, les principales étapes, les paramètres importants, les résultats et les limites. Décrivez les erreurs observées et ce que vous testeriez ensuite. Si vous utilisez un tutoriel ou du code tiers, indiquez-le et distinguez clairement ce que vous avez repris de ce que vous avez modifié.

Documentez sans exposer de données confidentielles. Montrez, si vous avez les droits nécessaires, des images déjà autorisées ou des exemples synthétiques plutôt que des documents métier. Floutez une information seulement si cela suffit réellement à éviter l’identification ; dans le doute, ne publiez pas l’exemple. Les captures d’écran ne doivent pas révéler de noms, de dossiers privés, de clés ou d’informations affichées par inadvertance.

• Checklist de tests et de contrôle qualité :
• Le projet s’installe et s’exécute depuis un environnement propre en suivant uniquement le guide.
• Les dimensions, types et étiquettes des données sont vérifiés avant l’entraînement.
• Les partitions sont séparées et le jeu de test n’est pas utilisé pour choisir les paramètres.
• Les résultats sont comparés à une référence et présentés avec des métriques adaptées.
• Des exemples corrects et des erreurs sont examinés ; les limites sont indiquées sans exagérer la portée du modèle.
• Un test avec une entrée absente, mal formée ou inattendue ne provoque pas de comportement trompeur.
• Les instructions précisent les versions, les dépendances et les éventuelles contraintes de calcul.
• Le dépôt, les journaux, les captures et les démonstrations ne contiennent ni secret ni donnée protégée.
• Les conditions de réutilisation des données et des éléments externes sont respectées.

Présenter son travail dans un portfolio

Un portfolio PyTorch doit permettre de comprendre rapidement ce que vous avez réalisé et comment vous y prendre pour l’examiner. Commencez par un résumé du besoin et une démonstration courte. Ajoutez ensuite un schéma simple du parcours des données, les résultats mesurés et un lien vers le code lorsque celui-ci peut être partagé. Si le modèle ne peut pas être exécuté facilement, une courte vidéo ou quelques captures peuvent montrer le fonctionnement, mais elles ne remplacent pas les instructions ni les limites.

Mettez en avant votre contribution concrète : préparation des données, écriture de la boucle d’entraînement, choix des métriques, analyse des erreurs ou amélioration de la reproductibilité. Si le projet a été réalisé à plusieurs, indiquez ce que vous avez fait personnellement. Un recruteur ou un client pourra ainsi distinguer votre maîtrise pratique d’un résultat simplement copié ou généré par un outil.

Présentez aussi ce que le projet ne prouve pas. Un prototype évalué sur un jeu de données restreint n’est pas automatiquement adapté à un contexte professionnel réel. Mentionnez les limites liées aux données, aux langues, aux conditions d’utilisation et aux erreurs possibles. Cette transparence rend votre démonstration plus crédible et ouvre la voie à une discussion concrète sur les améliorations.

• Une page d’introduction : problème, public visé, solution et rôle personnel.
• Un accès au code et un guide d’installation lorsque le partage est autorisé.
• Quelques visuels lisibles : exemples d’entrées, prédictions et erreurs représentatives.
• Un tableau concis des métriques, avec une explication de l’ensemble évalué.
• Une section « limites et prochaines étapes » qui distingue le prototype d’un système en production.
• Aucune donnée confidentielle, information personnelle ou ressource dont la publication n’est pas autorisée.

Le parcours, étape par étape

1. 1Définir le poste ou le métier visé — Choisissez un projet relié à une compétence que vous voulez démontrer : vision par ordinateur, traitement de texte ou apprentissage profond. Formulez le besoin et le public du projet avant de sélectionner une architecture.
2. 2Cadrer les données et les droits d’usage — Repérez un jeu de données ouvert ou préparez des données synthétiques. Vérifiez les conditions de réutilisation et excluez tout fichier professionnel ou personnel dont la publication n’est pas autorisée.
3. 3Construire un premier résultat reproductible — Chargez les données, établissez une référence simple, puis entraînez un modèle PyTorch. Notez les versions, paramètres, transformations et contraintes de calcul nécessaires pour répéter l’expérience.
4. 4Évaluer et expliquer les erreurs — Utilisez un jeu de test distinct, choisissez des métriques adaptées et examinez des erreurs concrètes. Présentez les limites du résultat plutôt que de revendiquer une performance générale.
5. 5Publier une démonstration professionnelle — Préparez une documentation claire, des exemples non confidentiels et des instructions vérifiées. Indiquez votre contribution personnelle et les améliorations que vous entreprendriez ensuite.

Formations et programmes au Maroc

Compétences clés

Questions fréquentes

Sources

1. FormaGroup — Deep learning appliqué à la vision par ordinateur formagroup.ma
2. FormaGroup — Traitement automatique du français et de l’arabe avec le NLP formagroup.ma
3. PyTorch — Tutoriels officiels pytorch.org
4. JobInTech jobintech.academy
5. OFPPT — Formation intra-entreprise ofppt.ma