PyTorch

PyTorch est la librairie que j'utilise quand j'ai besoin d'entraîner un modèle, pas seulement d'en appeler un. C'est le standard de facto du deep learning en Python : tenseurs, autograd, et une boucle d'entraînement directe pour fitter un réseau sur ses propres données.

Je l'ai utilisé sur un projet hobby NBA, aux côtés de scikit-learn, pour entraîner plusieurs familles de modèles — régression logistique, Elastic Net, LSTM et MLP — sur vingt ans de stats équipes et joueurs. La tâche de prédiction n'a jamais dépassé 45 % de précision, mais le pipeline d'entraînement, le travail sur les features et les expérimentations étaient bien réels : data dans Postgres, features avec pandas, réseaux avec PyTorch.

Je ne suis pas un ingénieur recherche à temps plein. J'utilise PyTorch en praticien : définir un réseau, l'entraîner, l'évaluer, itérer. C'est cette compétence que j'apporte à côté du travail LLM et data que je fais en Python aujourd'hui.