Course Outline
Εισαγωγή
- Apache MXNet εναντίον PyTorch
Deep Learning Αρχές και Deep Learning Οικοσύστημα
- Τανυστήρες, Perceptron πολλαπλών επιπέδων, συνελικτικό Neural Networks και επαναλαμβανόμενο Neural Networks Όραση υπολογιστή εναντίον επεξεργασίας φυσικής γλώσσας
Επισκόπηση Apache MXNet Χαρακτηριστικά και Αρχιτεκτονική
- Apache MXNet Compenents Gluon API interface Επισκόπηση των GPUs και παραλληλισμός μοντέλου Συμβολικός και επιτακτικός προγραμματισμός
Ρύθμιση
- Επιλογή περιβάλλοντος ανάπτυξης (On-Premise, Public Cloud, κ.λπ.) Εγκατάσταση Apache MXNet
Εργασία με δεδομένα
- Ανάγνωση σε δεδομένα Επικύρωση δεδομένων Χειρισμός δεδομένων
Ανάπτυξη ενός Deep Learning μοντέλου
- Δημιουργία μοντέλου Εκπαίδευση μοντέλου Βελτιστοποίηση του μοντέλου
Ανάπτυξη του Μοντέλου
- Πρόβλεψη με ένα προεκπαιδευμένο μοντέλο Ενσωμάτωση του μοντέλου σε μια εφαρμογή
Βέλτιστες πρακτικές MXNet Security
Αντιμετώπιση προβλημάτων
Περίληψη και Συμπέρασμα
Requirements
- Κατανόηση των αρχών μηχανικής μάθησης
- Python εμπειρία προγραμματισμού
Ακροατήριο
- Επιστήμονες δεδομένων
Testimonials (5)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
Very flexible
Frank Ueltzhöffer
Course - Artificial Neural Networks, Machine Learning and Deep Thinking
The structure from first principles, to case studies, to application.
Margaret Webb - Department of Jobs, Regions, and Precincts
Course - Introduction to Deep Learning
I was benefit from the passion to teach and focusing on making thing sensible.
Zaher Sharifi - GOSI
Course - Advanced Deep Learning
examples based on our data