Kursplan
Införandet
- Apache MXNet jämfört med PyTorch
Deep Learning Principer och Deep Learning ekosystem
- Tensorer, flerskiktsperceptron, faltning Neural Networks och återkommande Neural Networks
- Computer Syn kontra behandling av naturligt språk
Översikt över Apache MXNet funktioner och arkitektur
- Apache MXNet Ersättare
- Gluon API-gränssnitt
- Översikt över GPUs och modellparallellitet
- Symbolisk och imperativ programmering
Installationen
- Välja en distributionsmiljö (lokalt, offentligt moln, etc.)
- Installera Apache MXNet
Arbeta med data
- Läsa in data
- Validera data
- Manipulera data
Utveckla en Deep Learning modell
- Skapa en modell
- Träna en modell
- Optimera modellen
Distribuera modellen
- Förutsäga med en förtränad modell
- Integrera modellen i ett program
Metodtips för MXNet-säkerhet
Felsökning
Sammanfattning och slutsats
Krav
- En förståelse för principer för maskininlärning
- Python programmeringserfarenhet
Publik
- Dataforskare
Vittnesmål (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
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Very flexible
Frank Ueltzhöffer
Kurs - 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
Kurs - Introduction to Deep Learning
I was benefit from the passion to teach and focusing on making thing sensible.
Zaher Sharifi - GOSI
Kurs - Advanced Deep Learning
examples based on our data