Seminar DeepLearning

Einführung in DeepLearning

• Deep Learning Übersicht
• Installation
• Swap, GPUs und CPUs
• DL Core
• Build Localy from Master
• Maven Build Tool
• DL in Ivy, Gradle, SBT
• Ausführen von Beispielen und DL in Projekten

Einführung in Neuronale Netze

• Long Short-Term Memory Units (LSTMs)
• Denoising Autoencoders
• Recurrent Nets and LSTMs
• Restricted Boltzmann Machines
• Convolutional Nets (ConvNets)

Mehrschichtige Neuronale Netze

• Deep-Belief Network
• Deep AutoEncoder
• Stacked Denoising Autoencoder

Daten und ETL

• Übersicht
• DataVec: ETL für maschinelles Lernen
• ImagePipeline
• ETL Methoden und Klassen
• Benutzerdefinierte Datensätze
• CSV-Daten Uploads
• Datensätze und maschinelles Lernen

Tuning und Training

• Neuronale Netze und Apache Spark
• Verteiltes Lernen
• Visualisieren, Überwachen und Fehler beheben
• Iterative Reduce Defined
• Multiprozessor / Clustering
• Hyperparameter
• Laufende Arbeiterknoten
• Early Stopping

Deployment

• Verteiltes Lernen und GPUs
• PreTrained Models
• Speichern und Lagen von Modellen
• t-SNE
• Regressionen und neuronale Netze
• Recurrent Networks
• Komplexe Netzwerke mit mi berechneten Graphen

Verarbeitung der natürlichen Sprache

• DLs NLP-Rahmen
• Word2vec für Java und Scala
• Textanalyse und DL
• Satz und Dokumentensegmentierung
• Tokenisierung
• Vocab Cache

Tutorials

• Verwenden von wiederkehrenden Netzen in DL
• MNIST DBN Tutorial
• Iris Blumen Tutorial
• Canova: Vektorisierung Lib für ML Tools
• Neural Net Updater: SGD, Adam, Adagrad, Adadelta, RMSProp