This course covers advanced deep learning topics, including Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and modern language models. You will learn techniques for image classification, time series prediction, and natural language processing. The course includes building and optimizing CNNs for image recognition, using architectures such as AlexNet, VGGNet, GoogLeNet, and ResNet, and working with pre-trained models. You will also work with RNNs and LSTMs for tasks like forecasting and text autocompletion. The curriculum covers neural language models, word embeddings (such as Word2vec and wordpieces), encoder-decoder architectures, attention mechanisms, and Transformers for machine translation. Hands-on projects using TensorFlow and PyTorch will help you develop practical skills for solving real-world problems in computer vision and language processing.
Learning Deep Learning: Unit 2
Obtenez l'une de nos meilleures offres avec Coursera Plus pour 199 $ (habituellement 399 $). Économisez maintenant.
Learning Deep Learning: Unit 2
Ce cours fait partie de Spécialisation "Learning Deep Learning"
Instructeurs : Pearson
Inclus avec
Expérience recommandée
Ce que vous apprendrez
Build and optimize convolutional neural networks for advanced image classification tasks using TensorFlow and PyTorch.
Apply recurrent neural networks and LSTMs to sequential data problems, including time series forecasting and text autocompletion.
Develop neural language models and implement word embeddings for robust natural language processing.
Design and implement encoder-decoder architectures and Transformer models for machine translation and sequence-to-sequence tasks.
Compétences que vous acquerrez
- Catégorie : Embeddings
- Catégorie : Recurrent Neural Networks (RNNs)
- Catégorie : Network Architecture
- Catégorie : Transfer Learning
- Catégorie : Deep Learning
- Catégorie : Natural Language Processing
- Catégorie : Convolutional Neural Networks
- Catégorie : Computer Vision
- Catégorie : Generative Model Architectures
- Catégorie : Artificial Neural Networks
- Catégorie : Time Series Analysis and Forecasting
- Catégorie : Image Analysis
- Catégorie : Model Training
Outils que vous découvrirez
- Catégorie : Tensorflow
- Catégorie : PyTorch (Machine Learning Library)
Détails à connaître
Ajouter à votre profil LinkedIn
4 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
En savoir plus sur Machine Learning
Northeastern University
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Jennifer J.
Larry W.
Chaitanya A.
Foire Aux Questions
Plus de questions
Aide financière disponible,