Java Deep Learning Cookbook

Libro de cocina de aprendizaje profundo de Java

Este es un depósito de código para el próximo libro "Libro de cocina de aprendizaje profundo de Java" patrocinado por Packt Publishing. Usamos y promovemos la biblioteca deeplearning4j para todos los casos de uso de este libro. La versión oficial de deeplearning4j a la que se refiere este libro de cocina es 1.0.0-beta3 . Por la misma razón, algunos de los métodos o enfoques analizados en este libro de cocina pueden quedar obsoletos en sus versiones más recientes. Por lo tanto, asegúrese de consultar la documentación API más reciente. Puede utilizar versiones más nuevas que tengan correcciones de errores y nuevas funciones.

Actualizar

El libro de cocina de aprendizaje profundo de Java se publica el 8 de noviembre de 2019.

Construir

Cada capítulo tendrá una carpeta fuente separada donde se almacenan todos los ejemplos para ese capítulo en particular. Por ejemplo, si desea importar el código del capítulo 2, primero navegue hasta el directorio del capítulo y luego importe el directorio sourceCode/cookbook-app en su IDE. También deberías ver pom.xml ubicado allí.

Desde Intellij IDE

• Navegue hasta el directorio raíz de código fuente.
• Ábralo como un proyecto Maven y compílelo.

Desde la línea de comando

 mvn clean install

Si tiene problemas porque Intellij no puede detectar dependencias o cualquier problema en el espacio de trabajo, intente ejecutar el siguiente comando:

 mvn idea:idea

Elimine workspace.xml en el directorio .idea si el problema persiste.

Tabla de contenido

1. Introducción al aprendizaje profundo en Java
2. Extracción, transformación y carga de datos
3. Construcción de redes neuronales profundas para clasificación binaria
4. Construcción de redes neuronales convolucionales
5. Implementando PNL
6. Construcción de una red LTSM para series temporales
7. Construcción de una red neuronal LTSM para clasificación de secuencias
8. Realizar detección de anomalías en datos no supervisados
9. Usando RL4J para el aprendizaje por refuerzo
10. Desarrollo de aplicaciones en entorno distribuido.
11. Aplicación de Transfer Learning a modelos de red
12. Evaluación comparativa y optimización de redes neuronales