Deep learning‑tutorials

In deze tutorial over deep learning in R met RStudio's keras-pakket leer je een Multi-Layer Perceptron (MLP) bouwen.

Leer de Adagrad-optimalisatietechniek kennen, inclusief de belangrijkste voordelen, beperkingen, implementatie in PyTorch en use-cases voor het optimaliseren van machinelearningmodellen.

Ontdek hoe de AdamW-optimizer de modelprestaties verbetert door weight decay los te koppelen van gradiëntupdates. Deze tutorial legt de belangrijkste verschillen uit tussen Adam en AdamW, hun use-cases en biedt een stapsgewijze gids voor het implementeren van AdamW in PyTorch.

In deze tutorial leer je hoe je een autoencoder als classifier gebruikt in Python met Keras. Je gebruikt de Fashion-MNIST-dataset als voorbeeld.

In deze tutorial leer je meer over auto-encoders en hoe je convolutionele en denoising auto-encoders bouwt met de notMNIST-dataset in Keras.

Leer hoe je Convolutionele Neurale Netwerken (CNN’s) in Python bouwt en implementeert met TensorFlow Framework 2

In deze tutorial leer je hoe je Convolutional Neural Networks (CNN’s) in Python met Keras implementeert, en hoe je overfitting tegengaat met dropout.

Deze stapsgewijze tutorial laat je zien hoe je Jupyter Notebook op Amazon Web Services (AWS) EC2 GPU instelt en gebruikt voor deep learning.

Deze Keras-tutorial is een introductie tot deep learning in Python: leer je data voorbewerken, neurale netwerken modelleren, evalueren en optimaliseren.

Verken basisbegrippen uit de wiskunde voor data science en deep learning, zoals scalair en vector, determinant, singular value decomposition en meer.

In deze tutorial leer je jpeg-vingerafdrukafbeeldingen inlezen en ze reconstrueren met een convolutionele autoencoder.

Leer wat Generative Adversarial Networks zijn zonder in de wiskundige details te duiken, en codeer een eenvoudige GAN die cijfers kan genereren!