Deep Learning

Obwohl das Interesse an maschinellem Lernen einen Höhepunkt erreicht hat, werden Projekte oft durch überzogene Erwartungen zunichte gemacht, bevor sie weit kommen. Wie kann maschinelles Lernen - insbesondere tiefe neuronale Netze - in deinem Unternehmen einen echten Unterschied machen? Dieser praktische Leitfaden bietet nicht nur die meisten praktischen Informationen zu diesem Thema, sondern hilft dir auch dabei, effiziente Deep-Learning-Netzwerke zu erstellen.

Die Autoren Adam Gibson und Josh Patterson stellen zunächst die Theorie des Deep Learning vor, bevor sie ihre Open-Source-Bibliothek Deeplearning4j (DL4J) für die Entwicklung von Workflows der Produktionsklasse vorstellen. Anhand von Beispielen aus der Praxis lernst du Methoden und Strategien für das Training von Deep-Network-Architekturen und die Ausführung von Deep-Learning-Workflows auf Spark und Hadoop mit DL4J.

• Eintauchen in Konzepte des maschinellen Lernens im Allgemeinen und des Deep Learning im Besonderen
• Verstehe, wie sich Deep Networks aus den Grundlagen neuronaler Netze entwickelt haben
• die wichtigsten Deep-Network-Architekturen kennenlernen, darunter Convolutional und Recurrent
• Lernen, wie man bestimmte tiefe Netzwerke auf das richtige Problem anwendet
• Die Grundlagen des Tunings allgemeiner neuronaler Netze und spezieller Deep Network-Architekturen kennenlernen
• Vektorisierungstechniken für verschiedene Datentypen mit DataVec, dem Workflow-Tool von DL4J, anwenden
• Lerne, wie du DL4J nativ auf Spark und Hadoop nutzen kannst