Il s'agit de l'application Windows « Deep Learning Is Nothing », dont la dernière version est téléchargeable sous le code source Deep-Learning-Is-Nothing.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne gratuitement cette application nommée Deep Learning Is Nothing avec OnWorks.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez n'importe quel émulateur en ligne OS OnWorks à partir de ce site Web, mais un meilleur émulateur en ligne Windows.
- 5. Depuis le système d'exploitation OnWorks Windows que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application et installez-la.
- 7. Téléchargez Wine depuis les dépôts de logiciels de vos distributions Linux. Une fois installé, vous pouvez ensuite double-cliquer sur l'application pour les exécuter avec Wine. Vous pouvez également essayer PlayOnLinux, une interface sophistiquée sur Wine qui vous aidera à installer des programmes et des jeux Windows populaires.
Wine est un moyen d'exécuter un logiciel Windows sur Linux, mais sans Windows requis. Wine est une couche de compatibilité Windows open source qui peut exécuter des programmes Windows directement sur n'importe quel bureau Linux. Essentiellement, Wine essaie de ré-implémenter suffisamment de Windows à partir de zéro pour qu'il puisse exécuter toutes ces applications Windows sans avoir réellement besoin de Windows.
CAPTURES D'ÉCRAN:
L'apprentissage profond n'est rien
DESCRIPTION:
Deep-Learning-Is-Nothing présente les concepts du deep learning dans un style accessible et original, démystifiant la pile informatique qui sous-tend les modèles modernes. Il commence généralement par des rappels sur l'algèbre linéaire, le calcul différentiel et intégral et l'optimisation, avant de passer aux perceptrons, aux réseaux multicouches et à l'apprentissage par gradient. Les implémentations privilégient des exemples concis et lisibles, souvent NumPy en premier, pour illustrer le fonctionnement des passes avant et arrière sans dépendre uniquement de frameworks de haut niveau. Une fois les fondamentaux maîtrisés, le cours s'étend aux CNN, aux RNN et aux mécanismes d'attention, expliquant pourquoi chaque architecture est adaptée à des tâches spécifiques. Les sections pratiques abordent les pipelines de données, la régularisation et l'évaluation, en mettant l'accent sur la reproductibilité et les techniques de débogage. L'objectif est de remplacer les mots clés par l'intuition afin que les apprenants puissent raisonner avec confiance sur les architectures et la dynamique d'apprentissage.
Fonctionnement
- Rappels de mathématiques et d'optimisation directement liés au code
- Implémentations à partir de zéro qui révèlent les passes avant et arrière
- Progression progressive des MLP aux CNN, RNN et à l'attention
- Conseils pratiques sur la préparation, la régularisation et l'évaluation des données
- Exemples lisibles reliant NumPy et l'utilisation du framework
- Privilégiez l'intuition et le dépannage plutôt que les formules standard
Catégories
Cette application est également disponible sur https://sourceforge.net/projects/deep-learning-is-not.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.