Le Deep Learning fait de plus en plus le buzz ces derniers années avec des utilisations dans la reconnaissance
d'image[1], le traitement du langage[2] et le jeu de Go[3].

Le langage R n'est pas en reste car il existe des outils permettant d'entraîner des modèles Deep Learning à
partir de R. H2O[4] fait partie de ces outils. Initialement développé en Java, H2O fournit des API permettant
de s'intégrer à d'autres outils et langages tels que Python, Java et bien évidemment R.

Au travers de ce _Lightning Talk_, nous allons présenter un aperçu des possibilités de H2O qui ont été mises en
oeuvre pour la résolution d'un challenge de Data Science.

## Références
[1] Wu, R., Yan, S., Shan, Y., Dang, Q., & Sun, G. (2015). Deep image: Scaling up image recognition. arXiv preprint arXiv:1501.02876, 22, 388.

[2] Christopher Olah (2014). Deep Learning, NLP, and Representations. http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/.

[3] Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., ... & Dieleman, S. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.

[4] Aiello, S., Eckstrand, E., Fu, A., Landry, M., Lanford, J., and Aboyoun, P. (Aug. 2015) Fast Scalable R with H2O. http://h2o.ai/resources.