Deep Learning

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com 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