Deep Learning with Azure 免积分下载

最新推荐文章于 2024-06-03 12:54:52 发布

转载最新推荐文章于 2024-06-03 12:54:52 发布 · 90 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：https://my.oschina.net/u/3070312/blog/2997600

本书由Microsoft专家撰写，旨在帮助数据科学家和开发者掌握Azure上的深度学习技术，涵盖预构建AI功能、常见深度学习模型及操作选项，助力创新智能解决方案。

使用Microsoft的AI平台快速上手。通过为每位数据科学家和开发人员提供人工智能的开放，强大的工具和服务，学习创新和加速。

人工智能（AI）是新常态。深度学习算法和硬件的创新正在快速发展。这不再是我应该将AI构建到我的业务中的问题，而是更多关于我从哪里开始以及如何开始使用AI的问题？

由Microsoft专家数据科学家撰写，深度学习与Microsoft AI平台帮助您了解如何在Azure上进行深度学习，并利用深度学习创建创新和智能解决方案。从指导您开始AI探险的位置获益，并了解云如何为您提供进行AI所需的所有工具，基础架构和服务。

你将学到什么

熟悉可用于Microsoft Azure深度学习的工具，基础结构和服务，例如Azure机器学习服务和批处理AI
使用预先构建的AI功能（计算机视觉，OCR，性别，情感，地标检测等）
了解常见的深度学习模型，包括卷积神经网络（CNN），递归神经网络（RNN），带有示例代码的生成性对抗网络（GAN），并了解该领域的演变过程
了解Azure上深度学习模型的培训和操作选项

本书适用于谁

有兴趣了解深度学习以及如何使用Microsoft AI平台的专业数据科学家。使用Python的一些经验很有帮助。

下载地址：Deep Learning with Azure

更多免积分电子书，请访问：IE布克斯网

转载于:https://my.oschina.net/u/3070312/blog/2997600

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

chongyuwan4121

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

机器学习笔记 - Java学习框架Deeplearning4j初体验

学以致用知行合一

03-30

6071

Deeplearning4j 是一套用于在JVM上运行深度学习的工具。它是唯一一个允许您从 java 训练模型，同时通过我们的 cpython 绑定、模型导入支持以及其他运行时（如 tensorflow-java 和 onnxruntime）的互操作的混合执行与 python 生态系统互操作的框架。用例包括导入和重新训练模型（Pytorch、Tensorflow、Keras）模型以及在 JVM 微服务环境、移动设备、物联网和 Apache Spark 中部署。

深度学习(Deep Learning) 原理与代码实例讲解

AI天才研究院

07-07

1020

深度学习(Deep Learning) - 原理与代码实例讲解作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：深度学习, 机器学习, 神经网络, 卷积神经网络, 循环神经网络, 自然语言处理, 图像识别, 语音识别

参与评论您还未登录，请先登录后发表或查看评论

Deep Learning with Azure

09-02

Get up-to-speed with Microsoft’s AI Platform. Learn to innovate and accelerate with open and powerful tools and services that bring artificial intelligence to every data scientist and developer. Artificial Intelligence (AI) is the new normal. Innovations in deep learning algorithms and hardware are happening at a rapid pace. It is no longer a question of should I build AI into my business, but more about where do I begin and how do I get started with AI? Written by expert data scientists at Microsoft, Deep Learning with the Microsoft AI Platform helps you with the how-to of doing deep learning on Azure and leveraging deep learning to create innovative and intelligent solutions. Benefit from guidance on where to begin your AI adventure, and learn how the cloud provides you with all the tools, infrastructure, and services you need to do AI. What You’ll Learn Become familiar with the tools, infrastructure, and services available for deep learning on Microsoft Azure such as Azure Machine Learning services and Batch AI Use pre-built AI capabilities (Computer Vision, OCR, gender, emotion, landmark detection, and more) Understand the common deep learning models, including convolutional neural networks (CNNs), recurrent neural networks (RNNs), generative adversarial networks (GANs) with sample code and understand how the field is evolving Discover the options for training and operationalizing deep learning models on Azure Who This Book Is For Professional data scientists who are interested in learning more about deep learning and how to use the Microsoft AI platform. Some experience with Python is helpful.

在Azure中快速搭建Deep Learning平台

sinat_29234307的博客

06-23

1300

最近在尝试kaggle中machine learning的竞赛，为了提高成绩必须用上了deep learning的算法。然而，deep learning耗资源，速度慢，不用个hadoop，单机一跑就是好几天，于是摸索着想在azure上快速搭建一个能跑deep learning的hadoop环境。 H2o （是我在R上首先尝试的deep learning包，查了文档发现它其实首先是一个hadoop应

重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总

wer0735的博客

01-06

7893

转载：http://blog.youkuaiyun.com/zhongwen7710/article/details/45331915 《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learnin

Deep Learning for Computer Vision with Python.

CVAIDL的博客

03-27

7297

Welcome back! This is the fourth post in the deep learning development environment configuration series which accompany my new book,Deep Learning for Computer Vision with Python. Today, we will conf...

Deep Learning Models on Kubernetes with GPUs

weixin_33859844的博客

04-27

166

2019独角兽企业重金招聘Python工程师标准>>> ...

Azure DevOps Learning

watershed1993的博客

06-03

762

在其官网Logo上有一句话“A distributed streaming platform”，即定位为一个分布式流式处理平台。Kafka起初是由LinkIn公司开发的一个多分区、多副本且基于Zookeeper协调的分布式消息系统，于2010年贡献给Apache基金会。它以高吞吐、可持久化、可水平扩展、支持流数据处理等多特性而被广泛使用，并且已经运行在数千家公司的生产环境。Kafka拥有三个非常重要的角色特性：1.消息系统。与传统的消息队列或者消息系统类似。2.存储系统。

Building recommender systems with Azure Machine Learning service

coco的专栏

11-26

370

Posted on May 1, 2019 Heather SpetalnickProgram Manager, ML Platform Recommendation systems are used in a variety of industries, from retail to news and media. If you’ve ever used a streaming ...

Task Failure Prediction in Cloud Data Centers Using Deep Learning

baidu_35560935的博客

05-19

669

Task Failure Prediction in Cloud Data Centers Using Deep Learning 训练数据过去的系统消息日志使用多层双向长期短期记忆 (Bi-LSTM)，用于识别云中的任务和作业失败 [3]、[7]-[13] 使用统计和机器学习方法，例如隐藏半马尔可夫模型 (HSMM) 和支持向量机 (SVM) 来预测云数据中心中的任务和作业失败。它们使用 CPU 使用率和内存使用率、未映射的页面缓存、平均磁盘 I/O 时间和磁盘使用率作为输入，并将任务失败或作业失败作

机器学习(Machine Learning)&深度学习(Deep Learning)资料 .

热门推荐

Liu_LongPo的专栏

01-27

1万+

机器学习(Machine Learning)&深度学习(Deep Learning)资料機器學習、深度學習方面不錯的資料，轉載。原作：https://github.com/ty4z2008/Qix/blob/master/dl.md 原作作者會不斷更新，本文更新至2014-12-21 《Brief History of Machine Lea

ACM-ICPC/CCPC/XCPC算法竞赛资料kmeans聚类

12-18

ACM-ICPC/CCPC/XCPC算法竞赛资料kmeans聚类

【CAOA三维路径规划】基于matlab鳄鱼伏击算法CAOA多无人机协同集群避障路径规划（目标函数：最低成本：路径、高度、威胁、转角）（Matlab代码实现）

12-18

【CAOA三维路径规划】基于matlab鳄鱼伏击算法CAOA多无人机协同集群避障路径规划（目标函数：最低成本：路径、高度、威胁、转角）（Matlab代码实现）内容概要：本文介绍了基于Matlab的鳄鱼伏击算法（CAOA）在多无人机协同集群三维路径规划中的应用，重点解决动态环境下的避障问题。该方法以最低成本为目标函数，综合考虑路径长度、飞行高度、威胁等级和转弯角度等因素，通过优化算法实现无人机集群的安全、高效路径规划。文中提供了完整的Matlab代码实现，便于科研人员复现与改进，适用于复杂环境下的无人机协同任务。; 适合人群：具备一定Matlab编程基础，从事无人机路径规划、智能优化算法或协同控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①研究多无人机在复杂三维环境中的协同避障路径规划；②验证和改进鳄鱼伏击算法（CAOA）在实际路径规划中的性能；③实现以最低综合成本为目标的智能路径优化，提升无人机集群的任务执行效率与安全性。; 阅读建议：建议读者结合提供的Matlab代码进行实践操作，深入理解目标函数构建、约束条件处理及算法迭代过程，同时可尝试将算法扩展至更多动态障碍物或更大规模无人机集群场景中进行测试与优化。

基于径向基函数神经网络RBFNN的自适应滑模控制学习（Matlab代码实现）

12-18

基于径向基函数神经网络RBFNN的自适应滑模控制学习（Matlab代码实现）内容概要：本文介绍了基于径向基函数神经网络（RBFNN）的自适应滑模控制方法，并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性，用于解决复杂系统的控制问题，尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程，并通过Matlab仿真验证了所提方法的有效性和稳定性。此外，文档还列举了大量相关的科研方向和技术应用，涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域，展示了该技术的广泛应用前景。; 适合人群：具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员，特别是从事智能控制、非线性系统控制及相关领域的研究人员；使用场景及目标：①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法；②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中，提升控制精度与鲁棒性；阅读建议：建议读者结合提供的Matlab代码进行仿真实践，深入理解算法实现细节，同时可参考文中提及的相关技术方向拓展研究思路，注重理论分析与仿真验证相结合。

STM32F407-RT-Thread-CAN工程代码

12-18

STM32F407芯片，开发环境：RT-Thread Stdio开发环境，使用内部drv_can实现can功能，官方的drv_can.c文件中对于stm32f407的位时序配置错误，已修改位时序，但是800k的CAN速率，由于CAN时钟为42M的原因，无法整除(42/0.8=52.5)，导致800k的速率无法使用.

安卓应用源码Android闹钟源码

12-18

安卓应用源码Android 闹钟源码

转子轴承系统振动分析.zip