Die Deep Learning Special ization ist ein grundlegendes Programm, das Ihnen hilft, die Fähigkeiten, Herausforderungen und Konsequenzen des Deep Learning zu verstehen und Sie darauf vorbereitet, an der Entwicklung von KI-Spitzentechnologie mitzuwirken.
In dieser Specialization werden Sie neuronale Netzwerkarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, LSTMs, Transformers aufbauen und trainieren und lernen, wie Sie diese mit Strategien wie Dropout, BatchNorm, Xavier/He Initialisierung und mehr verbessern können. Machen Sie sich bereit, theoretische Konzepte und ihre industriellen Anwendungen mit Python und TensorFlow zu meistern und reale Fälle wie Spracherkennung, Musiksynthese, Chatbots, maschinelle Übersetzung, Verarbeitung natürlicher Sprache und mehr anzugehen.
KI verändert viele Branchen. Die Deep Learning Specialization bietet Ihnen die Möglichkeit, den endgültigen Schritt in die Welt der KI zu machen, indem Sie sich das Wissen und die Fähigkeiten aneignen, um Ihre Karriere voranzutreiben. Auf dem Weg dorthin erhalten Sie auch Karriereratschläge von Deep Learning-Experten aus Industrie und Wissenschaft.
Praktisches Lernprojekt
Am Ende werden Sie in der Lage sein:
- Tiefe neuronale Netze aufbauen und trainieren, vektorisierte neuronale Netze implementieren, Architekturparameter identifizieren und DL auf Ihre Anwendungen anwenden
- Bewährte Verfahren zum Trainieren und Entwickeln von Testsätzen und Analysieren von Verzerrungen/Varianzen für den Aufbau von DL-Anwendungen anwenden, Standard-NN-Techniken verwenden, Optimierungsalgorithmen anwenden und ein neuronales Netzwerk in TensorFlow implementieren
- Strategien zur Reduzierung von Fehlern in ML-Systemen anwenden, komplexe ML-Einstellungen verstehen und End-to-End-, Transfer- und Multi-Task-Lernen anwenden
- Bauen Sie ein Convolutional Neural Network auf, wenden Sie es auf visuelle Erkennungsaufgaben an, nutzen Sie den neuronalen Stiltransfer, um Kunst zu erzeugen, und wenden Sie diese Algorithmen auf Bild-, Video- und andere 2D/3D-Daten an
- Erstellen und trainieren Sie rekurrente neuronale Netze und ihre Varianten (GRUs, LSTMs), wenden Sie RNNs auf die Sprachmodellierung auf Zeichenebene an, arbeiten Sie mit NLP und Worteinbettungen und verwenden Sie HuggingFace Tokenizer und Transformatoren, um die Erkennung von benannten Entitäten und die Beantwortung von Fragen durchzuführen
