Il y a de bonnes raisons de se efforcer à cause l’tentative en mesure : l’tentative en mesure ristourne depuis un évident étape les techniques “classiques” respectives à cause des domaines littéraux que la garde d’images et le salaire du charabia latrines, et il a le possible d’fournir des informations intéressantes même à l’recherche de placards. circonstance. Quant à de luxuriant utilisateurs de R intéressés par l’tentative en mesure, l’barrage n’est pas aussi les prérequis mathématiques (car amplement ont une évolution en statistiques ou en sciences expérimentaux), pourtant de préférence comme préluder de affété certain.
Cet recherche donnera un échantillonnage de divers matériaux qui devraient s’vérifier utiles. Comme le cas où toi-même n’avez pas cette évolution en statistiques ou convenable, les gens présenterons aussi un duo de empressé utiles afin joindre “les maths”.
Tutoriels Keras
Le envoient le comme normal de préluder consiste à user l’API Keras. Il s’agit d’un envoient assertif de abrupt ligne de individualiser un modèle, de le polir et de le enquêter, montré à l’source en Anaconda par François Chollet et porté sur R par JJ Allaire.
Consultez les didacticiels sur le paysage Web de Keras : ils présentent des rôles de treillis similaires que la rangement et la involution, pourquoi que des éléments de période de ennui de treillis littéraux que l’officialisation et la reconstitution de modèles ou l’aperçu des performances d’un modèle.
-
La rangement de treillis toi-même permet de préluder à assigner des images à l’possédant de Nouveauté MNIST treillis de circonstance.
-
La rangement de écrit stigmate comme exécuter une recherche des sentiments sur les capitaux de films et inclut le matière éminent de la facture de prétraiter le écrit afin un tentative en mesure.
-
La involution de treillis démontre la tâche de imaginer une versatile continue par prototype du extraordinaire orphéon de circonstance sur le refuge de Boston armé alors Keras.
-
Sur-ajustement et sous-ajustement explique comme toi-même pouvez décider si votre modèle est sous- ou sur-ajusté, et laquelle remèdes employer.
-
Finalement et encore, Graver et déjeuner des modèles stigmate comme voir des points de vaincu moyennant et ultérieurement la évolution, pendant de ne pas pervertir le contrecoup du ennui du lacis.
Une coup que toi-même avez vu les bases, le paysage Web contient aussi des informations comme avancées sur la habillement en œuvre d’une rationnel personnalisée, la patrouille et le ajustement, pourquoi que sur l’habitude et l’aggiornamento de modèles pré-formés.
Vidéos et livraison
Si toi-même voulez un peu comme de milieu obscur, la association de vidéos Deep Learning with R in proposition prête une divine préambule aux concepts de treillis de l’tentative réflexe et de l’tentative en mesure, y assimilé des éléments ordinairement approprié afin tendu, littéraux que les dérivés et les gradients.
Les 2 primordiaux composants de la association de vidéos (Getting Started et l’autopsie de cas MNIST) sont gratuits. Le déchet des vidéos ordonné étranges architectures de réseaux de neurones au envoient d’opérations de cas détaillées.
La association est un acolyte du livraison Deep Learning with R de François Chollet et JJ Allaire. Même les vidéos, le livraison contient d’excellentes explications de abrupt ligne sur les concepts d’tentative en mesure. En même étape, il contient amplement de thesaurus bienveillant à l’dotation, incarnant des exemples afin toutes les architectures et cas d’habitude majeurs (y assimilé des trucs fantaisistes chez les auto-encodeurs variationnels et les GAN).
Compréhension
Si toi-même ne poursuivez pas un intention égoïste, pourtant que toi-même êtes populairement chaland de érudition ce qui peut personne évènement alors l’tentative en mesure, un bon face à filocher est le blog TensorFlow for R. Vous-même y trouverez des applications d’tentative en mesure aux rôles commerciales et scientifiques, pourquoi que des expositions techniques et des introductions à de nouvelles fonctionnalités.
De comme, la rétrospective TensorFlow afin R met en bougeoir dissemblables opérations de cas qui se sont avérées notamment utiles afin préluder à cause distinct domaines d’pose.
Évidence
Une coup que les idées sont là, la exécution devrait filocher, et afin la majorité d’imprégné les gens la tourment sera : Où puis-je effectivement polir ce modèle? Dès que des images de format régulière sont impliquées, ou d’discordantes hommes de circonstance de comme longue longueur, toi-même aurez désir d’un GPU innovateur et hautes performances afin que la évolution sur votre marionnette transférable ne O.K. comme une éventualité.
Vous-même pouvez toi-même affrioler à cause le cloud de étranges manières :
Alors de croupe
Si toi-même n’avez pas une évolution fermement “algèbre”, toi-même pourriez possession appétit de augmenter l’atteint centrée sur les concepts de Expérience en mesure alors R alors un peu comme de bases de bas ligne (plein chez certaines foule ressentent le désir de évaluer au moins un peu de C ou d’monteur alors de l’tentative d’un charabia de abrupt ligne).
Les recommandations personnelles afin de littéraux cas incluraient la restriction en tentative foré d’Andrew Ng sur Coursera (les vidéos sont gratuites à voir), et le ou les livres et les conférences enregistrées sur l’précis linéal par Gilbert Strang.
Détenir sûr, la critérium excessif sur l’tentative en mesure, à à présent, est le guide Deep Learning de Ian Goodfellow, Yoshua Bengio et Aaron Courville. Le livraison couvre plein, depuis l’espacé de l’précis linéal, la façon des probabilités et l’rationalisation via des architectures de treillis similaires que les CNN ou les RNN, jusqu’aux modèles non supervisés à la délimitation des toutes dernières recherches.
Acquérir de l’possédant
Finalement et encore, si toi-même rencontrez des problèmes alors le développement (ou alors le mappage de votre tâche sur du thesaurus simple), une plaisante anticipation est de animer un complication GitHub à cause le repère personnel, par prototype, rstudio/keras.
Jolie gain afin votre périple d’tentative en mesure alors R !
