Assista a este webinar on demand para começar a usar deep learning rapidamente

Visão geral

O que é deep learning?

Deep learning é um subconjunto do aprendizado de máquina no qual redes neurais (algoritmos inspirados no cérebro humano) aprendem com base em uma grande quantidade de dados. Os algoritmos de deep learning realizam uma tarefa de forma repetida e melhoram gradualmente o resultado com camadas profundas que possibilitam um aprendizado progressivo. Eles fazem parte de um conjunto maior de métodos de aprendizado de máquina baseados em redes neurais.

O deep learning está causando um grande impacto em vários setores. Nas ciências biológicas, o deep learning pode ser usado para análise avançada de imagens, pesquisa, descoberta de medicamentos, predição de problemas de saúde e sintomas de doenças e aceleração de insights baseados no sequenciamento genômico. No transporte, ele pode ajudar veículos autônomos a se adaptarem a mudanças nas condições. O deep learning também é usado para proteger infraestrutura crítica e acelerar a resposta.

Muitas empresas terceirizam o desenvolvimento do deep learning. No entanto, é melhor manter o desenvolvimento do deep learning para casos de uso que são fundamentais para o negócio. Esses casos incluem detecção de fraude e recomendações, manutenção preditiva e análise de dados em série temporal, otimização do sistema de recomendações, gerenciamento do relacionamento com o cliente e previsão da taxa de cliques da publicidade on-line.

Comece a usar o deep learning adotando o IBM Watson Studio® no IBM Cloud Pak® for Data as a Service.

Recursos

Experiment Builder

Inicie e monitore experimentos de treinamento em lote, compare o desempenho de vários modelos em tempo real e priorize a criação de redes neurais.

Deep learning distribuído (DDL)

Use frameworks de código aberto conhecidos, como TensorFlow, Caffe, Torch e Chainer, para escalar em múltiplos GPUs.

Reconhecimento de dígito escrito à mão

Use um modelo do PyTorch pré-treinado para prever números escritos à mão a partir de imagens. Use APIs REST para enviar tarefas de treinamento, monitorar o status e fazer o armazenamento e a implementação de modelos.

Classificação de imagem

Faça a classificação multiclasse, pré-processe e acesse imagens e crie visualizações para entender melhor seus modelos.

Modelos de idiomas

Use um bloco de notas, o Keras e o TensorFlow para criar um modelo de idioma para a geração de texto.

Veja como funciona o deep learning no IBM Watson Studio

Experimento de deep learning

Captura de tela do produto mostrando onde você define os metadados para um novo experimento de deep learning

Experimento de deep learning

Faça um experimento de deep learning para criar uma execução de treinamento para cada definição.

Definições de modelos

Captura de tela do produto mostrando onde você adiciona uma definição do modelo, incluindo o nome, o código de origem de treinamento, a estrutura e o comando de execução

Definições de modelos

Defina seu código de criação de modelo, o comando de execução, uma GPU e outros metadados.

Plano de recursos

Captura de tela do produto mostrando o plano de recursos de um projeto, incluindo uma guia de visão geral das configurações da GPU, uma guia de estatísticas do usuário e uma guia de aplicações ativas

Plano de recursos

Determine as configurações da GPU no plano de recursos.

Progresso do treinamento

Captura de tela do produto mostrando gráficos de linha do status do treinamento

Progresso do treinamento

Monitore o treinamento de deep learning.

Bloco de notas da GPU

Captura de tela do produto mostrando a classificação da imagem em um bloco de notas da GPU

Bloco de notas da GPU

Crie uma definição de ambiente de GPU e execute seu bloco de notas assim que ele for criado.

Use sua estrutura favorita

Pré-instalado e otimizado para oferecer o melhor desempenho no IBM Watson Studio

Logotipo do TensorFlow
Logotipo do Keras
Logotipo do PyTorch

Comece a usar o deep learning

Comece a executar seus experimentos de deep learning no IBM Watson Studio.