Deep Learning Model Engineering and Optimization

Sichern Sie sich eines unserer besten Angebote mit Coursera Plus für 199 $ (normalerweise 399 $). Jetzt sparen.

kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen.

Deep Learning Model Engineering and Optimization

Dieser Kurs ist Teil von Spezialisierung „Machine Learning Engineer: ML and Deep Learning Models“

Dozent: Professionals from the Industry

Bei enthalten

Mehr erfahren

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Select and justify DL architectures (MLP, CNN, Transformer) for a given problem and data.
Build, train, and evaluate a PyTorch baseline with clean training loops and metrics.
Optimize generalization via dropout, weight decay, LR schedules, optimizers, and tuning.

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Kürzlich aktualisiert!

Juli 2026

Bewertungen

16 Zuweisungen¹

KI-bewertet siehe Haftungsausschluss

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „Machine Learning Engineer: ML and Deep Learning Models“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 5 Module

In Deep Learning Model Engineering and Optimization, you’ll learn to choose the right architecture, build a strong PyTorch baseline, and systematically optimize models for accuracy and generalization. This course is organized around real job tasks. You’ll start by checking what you already know, then focus on the skills you want to strengthen. If a topic is familiar, skip ahead; if it’s new, dive into targeted lessons curated from expert instructors so every minute builds a workplace skill.

Across task-based modules, you’ll practice selecting and justifying architectures (MLP, CNNs, Transformers) based on problem requirements; building and training baseline networks in PyTorch (nn.Module, nn.Sequential, training loops, evaluation); and improving models with regularization (dropout, L2 weight decay), hyperparameter tuning, weight initialization, optimizer choice (SGD, Adam), gradient clipping, and learning rate scheduling. Short, graded assessments help you confirm progress. By the end, you’ll be able to defend your design decisions to stakeholders, ship a working baseline, and iterate toward production-ready performance. These skills can help you prepare for roles like Deep Learning Engineer, Machine Learning Engineer, AI Engineer, Model Optimization Engineer, or Research Engineer, and handle the responsibilities you’ll see in real job descriptions.

Start here to learn how this skill-based course works and find your recommended starting point. You’ll take a short, ungraded diagnostic to check your current skills, then decide whether to go directly to the graded skill assessments or review targeted learning content first.

Das ist alles enthalten

1 Lektüre4 Aufgaben

1 LektüreInsgesamt 10 Minuten

Start Here: How This Skill-Based Course Works10 Minuten

4 AufgabenInsgesamt 95 Minuten

Skill Diagnostic: Find Your Recommended Starting Point5 Minuten
Skill Assessment Task 1: Architecture Selection and Justification30 Minuten
Skill Assessment Task 2: Build and Train a Baseline Network30 Minuten
Skill Assessment Task 3: Systematic Optimization and Generalization30 Minuten

Use this module to build the skills for the job task Architecture Selection and Justification. You’ll learn how to compare baseline and advanced models, evaluate tradeoffs beyond accuracy, and select the deep learning architecture that best fits a given problem and set of constraints. Review the lessons that match the skills you want to strengthen before completing the related graded assessment.

Das ist alles enthalten

4 Videos2 Lektüren4 Aufgaben1 Unbewertetes Labor

4 VideosInsgesamt 10 Minuten

Choosing the Right Model Isn't Just About Accuracy2 Minuten
Establishing a Baseline – Part 1: Training Simple Models2 Minuten
Establishing a Baseline – Part 2: Evaluation and Model Selection2 Minuten
Deep Learning for Vision and Text: CNNs and Transformers in Action3 Minuten

2 LektürenInsgesamt 14 Minuten

Choosing the Right Advanced Model for the Right Task7 Minuten
Why Baselines Matter: Measuring Progress with Simple Models7 Minuten

4 AufgabenInsgesamt 90 Minuten

Knowledge Check: Baseline Models & Metrics15 Minuten
Knowledge Check: Advanced Modeling Techniques15 Minuten
Model Selection & Implementation30 Minuten
Practice Your Skills: Architecture Selection and Justification30 Minuten

1 Unbewertetes LaborInsgesamt 60 Minuten

Train an Advanced Model on Your Dataset60 Minuten

Use this module to build the skills for the job task Build and Train a Baseline Network. You’ll learn how to construct a basic feedforward neural network in a deep learning framework, run the training loop, and evaluate performance using loss and accuracy signals. Review the lessons that match the skills you want to strengthen before completing the related graded assessment.

Das ist alles enthalten

6 Videos3 Lektüren4 Aufgaben3 Unbewertete Labore

6 VideosInsgesamt 30 Minuten

Building a Neural Network and Visualizing the Forward Pass8 Minuten
Building the Perceptron Forward Pass in PyTorch6 Minuten
Defining a Multi-Layer Perceptron with nn.Module and nn.Sequential7 Minuten
Running a Forward Pass and Exploring Model Capacity2 Minuten
Building the Training Loop for a Neural Network4 Minuten
Evaluating Model Performance and Plotting Results4 Minuten

3 LektürenInsgesamt 25 Minuten

What Is Deep Learning and How Do Neural Networks Work?7 Minuten
Understanding Loss Functions in Deep Learning8 Minuten
Getting Started with Optimizers: How Models Learn10 Minuten

4 AufgabenInsgesamt 90 Minuten

Knowledge Check - Foundations of Neural Networks15 Minuten
Knowledge Check - Building and Training FNNs15 Minuten
Mastering the Foundations of Deep Learning with PyTorch30 Minuten
Practice Your Skills: Build and Train a Baseline Network30 Minuten

3 Unbewertete LaboreInsgesamt 180 Minuten

Lab - Build and Visualize a Perceptron from Scratch60 Minuten
Lab - Build Your Own Perceptron for Binary Classification60 Minuten
Lab - Train an MLP for Handwritten Digit Classification60 Minuten

Use this module to build the skills for the job task Systematic Optimization and Generalization. You’ll learn how to apply regularization techniques to reduce overfitting, improve training stability, and tune key hyperparameters to strengthen model performance and generalization. Review the lessons that match the skills you want to strengthen before completing the related graded assessment.

Das ist alles enthalten

6 Videos4 Lektüren4 Aufgaben3 Unbewertete Labore

6 VideosInsgesamt 26 Minuten

Training Deep Models Isn't Just About More Layers2 Minuten
Applying Dropout to Prevent Overfitting7 Minuten
Using L2 Regularization with Weight Decay3 Minuten
Applying Custom Weight Initialization in PyTorch4 Minuten
Choosing and Switching Optimizers in PyTorch7 Minuten
Improving Stability: Gradient Clipping and Learning Rate Scheduling3 Minuten

4 LektürenInsgesamt 38 Minuten

What Is Overfitting & How Dropout and Weight Penalties Help10 Minuten
L1/L2 in Practice and the Role of Batch Normalization10 Minuten
Why Initialization and Optimizer Choice Matter10 Minuten
Stabilizing Training with Gradient Clipping and Learning Rate Schedules8 Minuten

4 AufgabenInsgesamt 105 Minuten

Knowledge Check - Regularization Techniques30 Minuten
Knowledge Check - Initialization and Optimization15 Minuten
Optimizing Deep Learning Models in PyTorch30 Minuten
Practice Your Skills: Systematic Optimization and Generalization30 Minuten

3 Unbewertete LaboreInsgesamt 180 Minuten

Lab - Experiment with Regularization Techniques for Neural Networks60 Minuten
Lab - Experiment with Initialization and Optimizer Combinations60 Minuten
Lab - Optimize Your Training Pipeline with Efficiency Tricks60 Minuten

Review the skills you practiced and demonstrated in this course, then prepare to describe them in career-relevant ways. You’ll also explore recommended skill paths that can help you continue building related job-ready skills.

Das ist alles enthalten

2 Lektüren

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Professionals from the Industry

489 Kurse112.906 Lernende

von

Coursera

Mehr von Machine Learning entdecken

Coursera
Optimize Deep Learning Models for Peak AI
Kurs
Status: Kostenloser Testzeitraum
Kategorie: Credits angeboten
Coursera
Building and Optimizing AI Models
Kurs
Status: Kostenloser Testzeitraum
Kategorie: Credits angeboten
EDUCBA
Deep Learning: Build & Optimize Neural Networks
Kurs
Kategorie: Vorschau
Kategorie: Credits angeboten
Coursera
Deep Learning Engineering
Spezialisierung
Status: Kostenloser Testzeitraum
Kategorie: Credits angeboten

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Häufig gestellte Fragen

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.

Weitere Fragen

Besuchen Sie die das Hilfe-Center für Kursteilnehmer.

Finanzielle Unterstützung verfügbar,

¹ Einige Aufgaben in diesem Kurs werden mit AI bewertet. Für diese Aufgaben werden Ihre Daten in Übereinstimmung mit Datenschutzhinweis von Courseraverwendet.