Plan du cours

Pour commencer

  • Démarrage rapide : Exécution d'exemples et de DL4J dans vos projets
  • Guide d'installation complet

Introduction aux Neural Networks

  • Machines de Boltzmann restreintes
  • Réseaux convolutifs (ConvNets)
  • Unités de mémoire à long terme (LSTM)
  • Autoencodeurs de débruitage
  • Réseaux récurrents et LSTM

Réseaux neuronaux multicouches

  • Réseau à croyance profonde
  • Autoencodeur profond
  • Autoencodeurs de débruitage empilés

Tutoriels

  • Utilisation des réseaux récurrents dans DL4J
  • Tutoriel MNIST DBN
  • Tutoriel sur la fleur d'iris
  • Canova : librairie de vectorisation pour les outils de ML
  • Mises à jour de réseaux neuronaux : SGD, Adam, Adagrad, Adadelta, RMSProp

Ensembles de données

  • Ensembles de données et Machine Learning
  • Jeux de données personnalisés
  • Chargements de données CSV

Mise à l'échelle

  • Réduction itérative définie
  • Multiprocesseur / Clustering
  • Nœuds de travail en cours d'exécution

Texte

  • Cadre NLP de DL4J
  • Word2vec pour Java et Scala
  • Analyse textuelle et DL
  • Bag de Words
  • Segmentation des phrases et des documents
  • Tokenisation
  • Cache de vocabulaire

DL2J avancé

  • Construire localement à partir du maître
  • Contribuer à DL4J (Guide du développeur)
  • Choisir un réseau neuronal
  • Utilisation de l'outil de construction Maven
  • Vectoriser les données avec Canova
  • Création d'un pipeline de données
  • Exécuter des benchmarks
  • Configurer DL4J dans Ivy, Gradle, SBT, etc.
  • Trouver une classe ou une méthode DL4J
  • Sauvegarde et chargement de modèles
  • Interprétation de la sortie du réseau neuronal
  • Visualiser les données avec t-SNE
  • Échanger des CPU contre des GPUs
  • Personnaliser un pipeline d'images
  • Régression à l'aide de réseaux neuronaux
  • Dépannage de la formation et sélection des hyperparamètres du réseau
  • Visualiser, surveiller et déboguer l'apprentissage en réseau
  • Accélérer Spark avec des binaires natifs
  • Construire un moteur de recommandation avec DL4J
  • Utiliser des réseaux récurrents dans DL4J
  • Construire des architectures de réseaux complexes avec Computation Graph
  • Former des réseaux à l'aide de l'arrêt anticipé
  • Télécharger des instantanés avec Maven
  • Personnaliser une fonction de perte

Pré requis

Connaissances dans les domaines suivants :

  • Java
  21 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (4)

Cours Similaires

Deep Learning AI Techniques for Executives, Developers and Managers

  21 heures

Deep Learning for Finance (with R)

  28 heures

Deep Learning for Banking (with R)

  28 heures

Deep Learning for Medicine

  14 heures

Catégories Similaires