Schulungsübersicht

Erste Schritte

  • Schnellstart: Beispiele und DL4J in Ihren Projekten ausführen
  • Umfassende Anleitung zur Einrichtung

Einführung in Neural Networks

  • Eingeschränkte Boltzmann-Maschinen
  • Faltungsnetze (ConvNets)
  • Langes Kurzzeitgedächtnis (LSTMs)
  • Entrauschende Autoencoder
  • Rekurrente Netze und LSTMs

Mehrschichtige neuronale Netze

  • Deep-Belief-Netz
  • Tiefe AutoEncoder
  • Gestapelte Denoising-Autoencoder

Lehrgänge

  • Verwendung rekurrenter Netze in DL4J
  • MNIST DBN Lehrgang
  • Irisblüten-Tutorial
  • Canova: Vektorisierungslib für ML-Tools
  • Neuronale Netz-Updater: SGD, Adam, Adagrad, Adadelta, RMSProp

Datensätze

  • Datensätze und Machine Learning
  • Benutzerdefinierte Datensätze
  • CSV-Daten-Uploads

Skalierung

  • Iterative Verkleinerung Definiert
  • Multiprozessor / Clustering
  • Laufende Worker-Knoten

Text

  • DL4Js NLP-Rahmenwerk
  • Word2vec für Java und Scala
  • Textuelle Analyse und DL
  • Tasche von Words
  • Segmentierung von Sätzen und Dokumenten
  • Tokenisierung
  • Vokabel-Cache

Erweiterte DL2J

  • Lokale Erstellung vom Master
  • Zu DL4J beitragen (Entwicklerhandbuch)
  • Wählen Sie ein Neuronales Netz
  • Verwenden Sie das Maven Build Tool
  • Daten mit Canova vektorisieren
  • Eine Daten-Pipeline erstellen
  • Benchmarks ausführen
  • DL4J in Ivy, Gradle, SBT usw. konfigurieren
  • Eine DL4J-Klasse oder -Methode finden
  • Modelle speichern und laden
  • Neuronale Netzausgabe interpretieren
  • Daten mit t-SNE visualisieren
  • CPUs gegen GPUs austauschen
  • Anpassen einer Bild-Pipeline
  • Regression mit neuronalen Netzen durchführen
  • Fehlerbehebung beim Training und Auswahl von Netzwerk-Hyperparametern
  • Netzwerklernen visualisieren, überwachen und debuggen
  • Beschleunigen Sie Spark mit nativen Binärdateien
  • Erstellen Sie eine Empfehlungsmaschine mit DL4J
  • Rekurrente Netze in DL4J verwenden
  • Komplexe Netzwerkarchitekturen mit Computation Graph erstellen
  • Netzwerke mit Early Stopping trainieren
  • Herunterladen von Snapshots mit Maven
  • Anpassen einer Verlustfunktion

Voraussetzungen

Kenntnisse in den folgenden Bereichen:

  • Java
  21 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Erfahrungsberichte (4)

Kombinierte Kurse

Deep Learning AI Techniques for Executives, Developers and Managers

  21 Stunden

Deep Learning for Medicine

  14 Stunden

Verwandte Kategorien