When will I receive my Course Certificate?

If you complete the course successfully, your electronic Course Certificate will be added to your Accomplishments page - from there, you can print your Course Certificate or add it to your LinkedIn profile.

Why can’t I audit this course?

This course is currently available only to learners who have paid or received financial aid, when available.

Is financial aid available?

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.

Learning Deep Learning: Unit 2

La Fête du Travail commence avec plus de 70 $ d'économies sur Coursera Plus. Bénéficiez de 40 % de réduction pendant 3 mois.

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues.

Learning Deep Learning: Unit 2

Ce cours fait partie de Spécialisation "Learning Deep Learning"

Instructeurs : Pearson

Inclus avec En savoir plus

Demander à Coursera

1 module

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Intermédiaire

Expérience recommandée

8 heures à compléter

Planning flexible

Apprenez à votre propre rythme

1 module

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Intermédiaire

Expérience recommandée

8 heures à compléter

Planning flexible

Apprenez à votre propre rythme

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 : Network Architecture
Catégorie : Time Series Analysis and Forecasting
Catégorie : Image Analysis
Catégorie : Artificial Neural Networks
Catégorie : Recurrent Neural Networks (RNNs)
Catégorie : Computer Vision
Catégorie : Generative Model Architectures
Catégorie : Deep Learning
Catégorie : Natural Language Processing
Catégorie : Convolutional Neural Networks
Catégorie : Transfer Learning
Catégorie : Embeddings
Catégorie : Model Training

Outils que vous découvrirez

Catégorie : Tensorflow
Catégorie : PyTorch (Machine Learning Library)

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

4 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Learning Deep Learning"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

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

Il y a un module dans ce cours

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.

This module provides a comprehensive introduction to advanced deep learning techniques for processing images and natural language. It covers convolutional neural networks for image classification, including architectures like AlexNet, VGGNet, GoogLeNet, and ResNet. The module then explores recurrent neural networks and LSTMs for time series and sequential data, followed by neural language models and word embeddings. Finally, it introduces encoder-decoder architectures, attention mechanisms, and Transformer models for neural machine translation, with practical implementations in TensorFlow and PyTorch throughout.

Inclus

44 vidéos4 devoirs

44 vidéosTotal 341 minutes

Topics1 minute
The CIFAR-10 Dataset4 minutes
Convolutional Layer9 minutes
Building a Convolutional Neural Network14 minutes
Programming Example: Image Classification Using CNN with TensorFlow9 minutes
Programming Example: Image Classification Using CNN with PyTorch9 minutes
AlexNet6 minutes
VGGNet5 minutes
GoogLeNet5 minutes
ResNet6 minutes
Programming Example: Using a Pretrained Network with TensorFlow4 minutes
Programming Example: Using a Pretrained Network with PyTorch5 minutes
Amplifying Your Data4 minutes
Efficient CNNs4 minutes
Lesson 4 Summary3 minutes
Topics1 minute
Problem Types Involving Sequential Data7 minutes
Recurrent Neural Networks8 minutes
Programming Example: Forecasting Book Sales with TensorFlow9 minutes
Programming Example: Forecasting Book Sales with PyTorch11 minutes
Backpropagation Through Time and Keeping Gradients Healthy9 minutes
Long Short-Term Memory10 minutes
Autoregression and Beam Search7 minutes
Programming Example: Text Autocompletion with TensorFlow14 minutes
Programming Example: Text Autocompletion with PyTorch16 minutes
Lesson 5 Summary2 minutes
Topics1 minute
Language Models13 minutes
Word Embeddings12 minutes
Programming Example: Language Model and Word Embeddings with TensorFlow12 minutes
Programming Example: Language Model and Word Embeddings with PyTorch18 minutes
Word2vec6 minutes
Programming Example: Using Pretrained GloVe Embeddings7 minutes
Handling Out-of-Vocabulary Words with Wordpieces3 minutes
Lesson 6 Summary2 minutes
Topics1 minute
Encoder–Decoder Network for Neural Machine Translation4 minutes
Programming Example: Neural Machine Translation with TensorFlow24 minutes
Programming Example: Neural Machine Translation with PyTorch22 minutes
Attention8 minutes
The Transformer8 minutes
Programming Example: Machine Translation Using Transformer with TensorFlow7 minutes
Programming Example: Machine Translation Using Transformer with PyTorch8 minutes
Lesson 7 Summary2 minutes

4 devoirsTotal 120 minutes

Convolutional Neural Networks (CNN) and Image Classification Quiz30 minutes
Recurrent Neural Networks (RNN) and Time Series Prediction Quiz30 minutes
Neural Language Models and Word Embeddings Quiz30 minutes
Encoder–Decoder Networks, Attention, Transformers, and Neural Machine Translation Quiz30 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeurs

Pearson

268 Cours78 260 apprenants

Offert par

Pearson

En savoir plus sur Machine Learning

Statut : Essai gratuit
Pearson
Learning Deep Learning: Unit 1
Cours
Statut : Essai gratuit
Pearson
Learning Deep Learning: Unit 3
Cours
Statut : Essai gratuit
Packt
Deep Learning & Modern AI Architectures
Cours
Statut : Prévisualisation
Northeastern University
Deep Learning for AI Part 1
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Profitez de plus de 10 000 programmes grâce à notre offre spéciale pour la Fête du Travail
Get Coursera Plus
Commencez par réaliser des économies simples pour vos équipes qui travaillent dur
Save 30% today

Foire Aux Questions

Yes, you can preview the first video and view the syllabus before you enroll. You must purchase the course to access content not included in the preview.

If you decide to enroll in the course before the session start date, you will have access to all of the lecture videos and readings for the course. You’ll be able to submit assignments once the session starts.

Once you enroll and your session begins, you will have access to all videos and other resources, including reading items and the course discussion forum. You’ll be able to view and submit practice assessments, and complete required graded assignments to earn a grade and a Course Certificate.