Recommended
Recommended
More Related Content
Featured
Featured (20)
DeepLearning4j - your step into the world of deep learning in Java
- 2. Deeplearning4j - Twój krok w stronę głębokiego uczenia w Javie Rzeszów, 24.04.2019
- 3. Kim jestem? Dariusz Zbyrad Java, Groovy Developer
- 4. Agenda • Czym jest Machine Learning i Deep Learning • Podstawy sieci neuronowych i uczenia głębokiego • DeepLearning4j • Q & A
- 5. • Automatyczne wyostrzanie obrazów (https://github.com/alexjc/neural-enhance) • Automatyczne powiększanie obrazów (https://github.com/nagadomi/waifu2x) • Generowanie mowy imitującej głos dowolnej osoby (https://deepmind.com/blog/wavenet- generative-model-raw-audio) • Rekonstrukcja głosu do niemego filmu (http://www.vision.huji.ac.il/vid2speech) • Wypełnianie brakujących fragmentów obrazów (https://bamos.github.io/2016/08/09/deep- completion) • Przekształcanie odręcznych bazgrołów na stylizowane dzieła sztuki (https://github.com/alexjc/neural-doodle) Przykłady wykorzystania Deep Learningu
- 6. Zacznijmy od początku… Artificial Intelligence Machine Learning Deep learning
- 7. Uczenie maszynowe – jak to działa? ModelTrening wejście wyjście ModelPredykcja wejście wyjście
- 8. Uczenie maszynowe - proces 1. Pobieranie danych 3. Trenowanie modelu 2. Czyszczenie i przygotowa- nie danych 4. Testowanie modelu 5. Ulepszanie
- 9. Sztuczne sieci neuronowe - neuron Źródło: https://cs231n.github.io/neural-networks-1/
- 10. Sztuczne sieci neuronowe - funkcje aktywacji
- 11. Sztuczne sieci neuronowe – funkcja straty
- 12. Sztuczne sieci neuronowe – przykładowa architektura Warstwa ukryta Warstwa ukryta Warstwa wejściowa Warstwa wyjściowa
- 14. Deep Learning
- 15. Filtry
- 16. Filtry
- 17. Konwolucyjne sieci neuronowe (CNN) – operacja konwolucji Źródło: https://towardsdatascience.com/applied-deep-learning-part-4-convolutional-neural-networks-584bc134c1e2
- 18. Konwolucyjne sieci neuronowe (CNN) Źródło: https://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks--1489512765771.html
- 19. Hiperparametry • Wielkość warstwy • Ranga (impet, szybkość uczenia) • Regularyzacja (Dropout, L1, L2) • Aktywacja • Strategia inicjalizacji wag • Funkcja straty • Wielkość minipaczki • Schemat normalizacji danych wejściowych
- 21. Deeplearning4j
- 22. • nd4j (+libnd4j) • datavec • deeplearning4j • arbiter • pydatavec • pydl4j • rl4j • scalnet Deeplearning4j – co piszczy w trawie?
- 23. Live Coding
- 24. Deeplearning4j – CUDA & cuDNN
- 25. • ETL • Uczenie (i predykcja) współbieżne • Nd4j <-> mlib Deeplearning4j – SPARK
- 27. Deeplearning4j – Serwer UI
- 28. Deep Learning – lek na wszystko?
- 29. • Prostsze modele (np. regresja) nie pozwalają uzyskać żądanego poziomu dokładności w danej sytuacji • Do przetwarzania obrazów, języka naturalnego • Dane mają miele wymiarów • Szeregi czasowe Deep Learning – kiedy stosować?
- 30. • Dane są wysokiej jakości i mają mało wymiarów • Nie jest wymagane wyszukiwanie skomplikowanych wzorców w obrazach Deep Learning – kiedy NIE stosowć?
- 31. Przegląd rozwiązań chmurowych dla ML - AWS Źródło: https://aws.amazon.com/blogs/machine-learning/announcing-the-artificial-intelligence-ai-hackathon-build-intelligent-applications-using- machine-learning-apis-and-serverless/
- 33. • BOOK: Deep Learning: A Practitioner's Approach • CS231n Convolutional Neural Networks for Visual Recognition (https://cs231n.github.io/)
- 34. Pytania
- 35. Dziękuje za uwagę Dariusz Zbyrad Java Software Developer dariusz.zbyrad@gmail.com
Editor's Notes
- Roger Penrose stwierdził
- Dwa wzory matematyczne. Roger Penrose stwierdził
- Z czym Wam się kojarzy DL?
- Jak jest różnica między DL, ML, AI? AI – jakiekolwiek techniki, które pomagają komputerowi myśleć jak człowiek `50 ML – zdolność komputerów to uczenia bez bezpośredniego pogramowania `80 DL – 2010
- Uczenie nadzorowane, powiedzieć o pozostałych
- 2. ETL - extract, transform, load 3. Podział na testowy i treningowy
- Przykład z wagą + wzrostem -> otyły 1/0
- Uczenie głębokie: Wiele warstw Dostępna większa moc obliczeniowa Większe zbiory uczenia
- Ogólnie o bibliotece, kiedy powstała i kto ją stworzył
- MNIST + UI ETL ZOO
- Apply patch do MNIST
- Przykładowe układy prezentacji tekstu z wykresem DaxPro-Regular 24