Kurzusleírás

Elkezdeni

  • Rövid útmutató: Példák és DL4J futtatása a projektekben
  • Átfogó telepítési útmutató

Bevezetés a Neural Networks-be

  • Korlátozott Boltzmann gépek
  • Konvolúciós hálók (ConvNets)
  • Hosszú távú rövid távú memóriaegységek (LSTM)
  • Az automatikus kódolók zajtalanítása
  • Ismétlődő hálózatok és LSTM-ek

Többrétegű neurális hálók

  • Deep-Belief Network
  • Deep AutoEncoder
  • Halmozott zajtalanító automatikus kódolók

Oktatóanyagok

  • Recurrent Nets használata DL4J-ben
  • MNIST DBN oktatóanyag
  • Iris Flower oktatóanyag
  • Canova: Vectorization Lib for ML Tools
  • Neurális hálózat frissítők: SGD, Adam, Adagrad, Adadelta, RMSProp

Adatkészletek

  • Adatkészletek és Machine Learning
  • Egyéni adatkészletek
  • CSV adatfeltöltések

Scaleout

  • Iteratív csökkentés Meghatározva
  • Többprocesszoros / klaszterezés
  • Munkavállalói csomópontok futtatása

Szöveg

  • A DL4J NLP keretrendszere
  • Word2 vec a Java és Scala számára
  • Szövegelemzés és DL
  • Zsák Word
  • Mondat és dokumentum tagolás
  • Tokenizálás
  • Vocab gyorsítótár

Speciális DL2J

  • Építsen helyben a Mestertől
  • Hozzájárulás a DL4J-hez (Fejlesztői útmutató)
  • Válasszon neurális hálót
  • Használja a Maven Építőeszközt
  • Vektorizálja az adatokat a Canova segítségével
  • Készítsen adatfolyamot
  • Futtassa a Benchmarkokat
  • Konfigurálja a DL4J-t az Ivy-ben, Gradle-ben, SBT-ben stb
  • Keressen egy DL4J osztályt vagy módszert
  • Modellek mentése és betöltése
  • A neurális hálózati kimenet értelmezése
  • Vizualizálja az adatokat a t-SNE segítségével
  • CPU csere GPU másodpercre
  • Képcsatorna testreszabása
  • Végezzen regressziót neurális hálókkal
  • Oktatási hibaelhárítás és a Hálózati hiperparaméterek kiválasztása
  • Vizualizálja, figyelje és hibajavítsa a hálózati tanulást
  • Gyorsítsa fel a Sparkot natív binárisokkal
  • Készítsen egy ajánlási motort a DL4J segítségével
  • Használja a visszatérő hálózatokat a DL4J-ben
  • Építsen összetett hálózati architektúrákat számítási grafikonnal
  • Vonathálózatok korai leállással
  • Pillanatképek letöltése a Maven segítségével
  • Veszteségfüggvény testreszabása

Követelmények

Az alábbi ismeretek:

  • Java
  21 Hours
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Vélemények (4)

Rokon tanfolyam

Deep Learning AI Techniques for Executives, Developers and Managers

  21 Hours

Deep Learning for Medicine

  14 Hours

Rokon kategóriák