Bu isteğe bağlı web semineri ile derin öğrenmede hızlanın

Genel bakış

Derin öğrenme nedir?

Derin öğrenme, insan beyninden ilham alan algoritmalar olan nöral ağların büyük hacimlerden öğrendiği makine öğrenmesinin bir alt kümesidir. Derin öğrenme algoritmaları bir görevi sürekli olarak gerçekleştirir ve aşamalı öğrenmeyi sağlayan derin katmanlarla sonucu kademeli olarak geliştirir. Nöral ağlara dayalı makine öğrenmesi yöntemlerinden oluşan daha geniş bir ailenin bir parçasıdır.

Derin öğrenme, sektörler üzerinde büyük bir etki yapıyor. Yaşam bilimlerinde derin öğrenme; gelişmiş görüntü analizi, araştırma, ilaç keşfi, sağlık sorunları ve hastalık belirtilerinin tahmin edilmesi ve genomik sıralama ile öngörülerin hızlanması için kullanılabilir. Ulaşımda, otonom araçların değişen şartlara uyum sağlamasına yardımcı olabilir. Aynı zamanda kritik altyapıyı ve hız tepkisini korumak için de kullanılır.

İşletmeler derin öğrenmenin geliştirilmesi işi için genellikle dış kaynak kullanır. Ancak, derin öğrenme geliştirme çalışmalarını, işinizin temelini oluşturan kullanım senaryoları için saklamak daha iyidir. Bunlar arasında dolandırıcılık algılama ve öneriler, tahmine dayalı bakım ve zaman serisi veri analizi, tavsiye sistemi optimizasyonu, müşteri ilişkileri yönetimi ve çevrimiçi reklamcılığın tıklanma oranının tahmin edilmesi yer alır.

IBM Cloud Pak® for Data as a Service üzerinde IBM Watson Studio® kullanarak derin öğrenmeye başlangıç yapın.

IBM Watson Studio üzerinde derin öğrenmenin avantajları

Özellikler

Experiment Builder

Toplu iş eğitimi deneylerini başlatın ve izleyin, gerçek zamanlı olarak çapraz model performansını karşılaştırın ve nöral ağları tasarlamaya odaklanın.

Dağıtık derin öğrenme (DDL)

TensorFlow, Caffe, Torch ve Chainer gibi popüler açık kaynak çerçevelerini birden çok grafik işleme birimine (GPU) ölçeklendirin.

Elle yazılmış rakam tanıma

Görüntülerdeki elle yazılmış numaraları tahmin etmek için önceden eğitilmiş bir PyTorch modeli kullanın. Eğitim işleri sunmak, durum izlemek ve modelleri depolamak ve devreye almak için REST API'lerini kullanın.

Görsel tanıma hizmeti

Sahneler ve nesnelere ait görüntüleri çözümlemek üzere IBM Watson Visual Recognition hizmetinden derin öğrenme algoritmalarını kullanın. Görüntülerle ve veri kümeleriyle işbirliğine dayalı bir ortamda çalışın.

Görüntü sınıflandırması

Modellerinizi daha iyi anlamak için çok sınıflı sınıflandırma yapın, görüntülere ön işlem uygulayın ve erişin ve görselleştirmeler yaratın.

Dil modelleri

Metin üretmek için bir dil modeli oluşturmak amacıyla bir not defteri, Keras ve TensorFlow kullanın.

IBM Watson Studio'daki derin öğrenmeyi inceleyin

Derin öğrenme deneyi

Yeni bir derin öğrenme deneyine ilişkin meta verileri tanımladığınızı gösteren ürün ekran görüntüsü

Derin öğrenme deneyi

Her tanım için bir eğitim çalışması yaratmak amacıyla bir derin öğrenme deneyi çalıştırın.

Model tanımlamaları

Ad, eğitim kaynak kodu, çerçeve ve yürütme komutu dahil, üründe, bir model tanımlamasını eklediğiniz ekranın görüntüsü

Model tanımlamaları

Model oluşturma kodunuzu, yürütme komutunu, grafik işleme birimini (GPU) ve diğer meta verileri tanımlayın.

Kaynak planı

GPU yapılandırmalarının genel bakış sekmesi, kullanıcı istatistikleri sekmesi ve etkin uygulamalar sekmesi dahil, bir projeye ilişkin kaynak planını gösteren ürün ekranı

Kaynak planı

Kaynak planındaki grafik işleme birimi (GPU) yapılandırmalarını belirleyin.

Eğitim ilerleme durumu

Eğitim durumu çizgi grafiklerini gösteren ürün ekran görüntüsü

Eğitim ilerleme durumu

Derin öğrenme eğitimini izleyin.

GPU defteri

Bir GPU defteri içindeki görüntü sınıflandırmasını gösteren ürün ekranı resmi

GPU defteri

Bir GPU ortam tanımlaması yaratın ve defteri yarattığınız sırada defterinizi çalıştırın.

En sevdiğiniz çerçeveyi kullanın

Performans için IBM Watson Studio'da önceden kuruldu ve optimize edildi

TensorFlow logosu
Keras logosu
PyTorch logosu

Derin öğrenmeye başlangıç yapın

Derin öğrenme deneylerinizi IBM Watson Studio'da yürütmeye başlayın.