Informieren Sie sich in diesem On-Demand-Webseminar über Deep Learning

Überblick

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem neuronale Netze — Algorithmen nach dem Vorbild des menschlichen Gehirns — aus großen Datenmengen lernen. Deep-Learning-Algorithmen führen eine Aufgabe wiederholt aus und verbessern das Ergebnis schrittweise durch tiefe Schichten, die progressives Lernen ermöglichen. Es gehört zu einer breiteren Familie von Methoden des maschinellen Lernens, die auf neuronalen Netzen basieren.

Deep Learning hat große Auswirkungen auf alle Branchen. Im Bereich der Biowissenschaften kann Deep Learning für die fortgeschrittene Bildanalyse, die Forschung, die Entdeckung von Medikamenten, die Vorhersage von Gesundheitsproblemen und Krankheitssymptomen und die Beschleunigung von Erkenntnissen aus der genomischen Sequenzierung eingesetzt werden. Im Verkehrswesen kann es autonomen Fahrzeugen helfen, sich an veränderte Bedingungen anzupassen. Außerdem wird diese Methode zum Schutz kritischer Infrastrukturen und zur Beschleunigung von Reaktionen eingesetzt.

Unternehmen lagern die Entwicklung von Deep Learning häufig aus. Es ist jedoch besser, die Deep-Learning-Entwicklungsarbeit auf Anwendungsfälle zu beschränken, die für Ihr Unternehmen von zentraler Bedeutung sind. Dazu gehören die Betrugserkennung und Empfehlungen, die vorausschauende Wartung und die Analyse von Zeitseriendaten, die Optimierung von Empfehlungssystemen, das Kundenbeziehungsmanagement und die Vorhersage der Klickrate von Online-Werbung.

Beginnen Sie mit Deep Learning mit IBM Watson Studio® on IBM Cloud Pak® for Data as a Service.

Vorteile von Deep Learning in IBM Watson Studio

Funktionen

Experiment Builder

Initiieren und überwachen Sie Batch-Trainingsexperimente, vergleichen Sie die Leistung von Kreuzmodellen in Echtzeit und konzentrieren Sie sich auf die Entwicklung neuronaler Netze.

Distributed Deep Learning (DDL)

Ermöglichen Sie beliebten Open-Source-Frameworks wie TensorFlow, Caffe, Torch und Chainer die Skalierung auf mehrere GPUs.

Handschriftliche Ziffernerkennung

Verwenden Sie ein vortrainiertes PyTorch-Modell, um handschriftliche Zahlen aus Bildern vorherzusagen. Nutzen Sie REST-APIs, um Trainingsaufträge zu übermitteln, den Status zu überwachen und Modelle zu speichern und bereitzustellen.

Visueller Erkennungsservice

Verwenden Sie Deep-Learning-Algorithmen des IBM Watson Visual Recognition Service, um Bilder im Hinblick auf Szenen und Objekte zu analysieren. Arbeiten Sie mit Bildern und Datensätzen in einer kollaborativen Umgebung.

Bildklassifizierung

Führen Sie Multiklassenklassifizierungen durch, bereiten Sie Bilder vor und greifen Sie darauf zu, und erstellen Sie Visualisierungen, um ein besseres Verständnis Ihrer Modelle zu erhalten.

Sprachmodelle

Verwenden Sie ein Notebook, Keras und TensorFlow, um ein Sprachmodell für die Textgenerierung zu erstellen.

Mehr zu Deep Learning in IBM Watson Studio

Deep-Learning-Experiment

Produkt-Screenshot zeigt, wo Sie die Metadaten für ein neues Deep-Learning-Experiment definieren

Deep-Learning-Experiment

Führen Sie ein Deep-Learning-Experiment durch, um einen Trainingslauf für jede Definition zu erstellen.

Modelldefinitionen

Produkt-Screenshot zeigt, wo Sie eine Modelldefinition hinzufügen, einschließlich des Namens, des Trainings-Quellcodes, des Rahmens und des Ausführungsbefehls

Modelldefinitionen

Definieren Sie Ihren Modellerstellungscode, den Ausführungsbefehl, eine GPU und andere Metadaten.

Ressourcenplan

Produkt-Screenshot zeigt den Ressourcenplan für ein Projekt mit einer Übersichts-Registerkarte für GPU-Konfigurationen, einer Registerkarte für Benutzerstatistiken und einer Registerkarte für aktive Anwendungen

Ressourcenplan

Bestimmen Sie die GPU-Konfigurationen im Ressourcenplan.

Trainingsfortschritt

Produkt-Screenshot zeigt den Trainingsstatus als Liniendiagramm

Trainingsfortschritt

Überwachen Sie das Deep-Learning-Training.

GPU-Notebook

Produkt-Screenshot zeigt die Bildklassifizierung innerhalb eines GPU-Notebooks

GPU-Notebook

Erstellen Sie eine GPU-Umgebungsdefinition und führen Sie Ihr Notebook zu dem Zeitpunkt aus, zu dem Sie das Notebook erstellen.

Verwenden Sie Ihr bevorzugtes Framework

Vorinstalliert und optimiert für die Leistung in IBM Watson Studio

TensorFlow-Logo
Keras-Logo
PyTorch-Logo

Nutzen Sie jetzt Deep Learning

Beginnen Sie jetzt mit der Ausführung Ihrer Deep-Learning-Experimente auf IBM Watson Studio.