What will I get if I subscribe to this Specialization?

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.

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.

Word Embeddings and Recurrent Neural Networks

Développez des compétences très recherchées grâce à un abonnement d'un an à Coursera Plus, désormais à 239 $. Profitez-en dès maintenant.

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

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

Word Embeddings and Recurrent Neural Networks

Instructeur : Matt Bushby

Inclus avec En savoir plus

3 modules

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

niveau Intermédiaire

Certaines connaissances prérequises

5 heures à compléter

Planning flexible

Apprenez à votre propre rythme

3 modules

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

niveau Intermédiaire

Certaines connaissances prérequises

5 heures à compléter

Planning flexible

Apprenez à votre propre rythme

Ce que vous apprendrez

Explain why word embeddings are useful for representing text in machine learning.
Use learned or pretrained word embeddings for text classification.
Describe how recurrent neural networks address the sequential nature of text.
Explain pretraining and fine-tuning and apply pretrained neural models to a classification task.

Compétences que vous acquerrez

Catégorie : Dimensionality Reduction
Catégorie : Fine-tuning
Catégorie : Text Mining
Catégorie : Machine Learning
Catégorie : Natural Language Processing
Catégorie : Deep Learning
Catégorie : Machine Learning Methods
Catégorie : Supervised Learning
Catégorie : Statistical Machine Learning
Catégorie : Artificial Neural Networks
Catégorie : Unstructured Data
Catégorie : Applied Machine Learning

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

novembre 2026

Évaluations

3 affectations¹

Noté par l'IA voir l'avis de non-responsabilité

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

Il y a 3 modules dans ce cours

Machine learning models need numerical representations of language, and many language tasks also require attention to word order. This course introduces word embeddings and recurrent neural networks as approaches to representing words and processing text sequences.

You will examine the challenges of using text in machine learning, how word embeddings are learned, and how pretrained embeddings can support text classification. You will then study recurrent neural networks, their use in classification, and the roles of pretraining and fine-tuning when adapting a model to a task. By the end of the course, you will be able to use word embeddings in classification, explain how recurrent networks process sequences, and apply pretrained neural models through fine-tuning.

In this topic, you will learn about word embeddings. This is a very powerful form of text representation that has proven to be very successful in numerous text processing applications.

Inclus

1 devoir5 plugins

In this topic, you will learn about recurrent neural networks, text classification with recurrent neural networks and pre-training and fine-tuning.

Inclus

1 devoir5 plugins

Learners act as an analyst for a brand team that wants to classify the sentiment of social media posts with limited labelled data. They diagnose why word counts fall short, choose an embedding strategy, design a neural architecture using embedding, pooling, and recurrent layers, and plan pre-training and fine-tuning. The result is a short architecture proposal for a technical lead.

Inclus

3 lectures1 devoir

Instructeur

Matt Bushby

Macquarie University

37 Cours34 324 apprenants

Offert par

Macquarie University

En savoir plus sur Machine Learning

Edureka
Neural Models and Machine Translation
Cours
DeepLearning.AI
Embedding Models: From Architecture to Implementation
Projet
Catégorie : Gratuit
Packt
RNN Architecture and Sentiment Classification
Cours
DeepLearning.AI
Natural Language Processing with Sequence Models
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.’

Qu’est-ce qui vous amène sur Coursera aujourd’hui ?

Commencer ma carrière

Changer de voie

M’améliorer dans mon rôle actuel

Découvrez des sujets en dehors du travail

Acquérez des compétences durables, maintenant à 239 $
Économisez dès maintenant
Offrez de nouvelles compétences à votre équipe
Économisez 40 % dès maintenant

Foire Aux Questions

You should understand text features, classification metrics, and feedforward neural networks. If you need those foundations, take Text Features and Neural Classification first. If you are new to NLP, begin with Introduction to Natural Language Processing, followed by Text Features and Neural Classification, before taking this course.

You’ll examine the limitations of word counts and TF-IDF, then explain how word embeddings address challenges in representing language. You’ll also explore how embeddings are learned and how pretrained embeddings can support text classification. In the mini project, you’ll justify an embedding strategy for classifying social media sentiment.

You’ll explore how recurrent neural networks process text sequences and why word order matters when working with language. You’ll use these concepts to justify architecture choices in a neural text classifier proposal, including the use of embedding, pooling, or recurrent layers.

You’ll study pretraining and fine-tuning as ways to adapt pretrained neural models to a classification task. In the mini project, you’ll plan a sentiment classifier for a brand team with limited labelled social media posts. Your proposal will explain the representation, architecture, and training strategy to a technical lead.

To access course materials, assignments, and earn a Certificate, you'll need to purchase the Certificate experience when you enroll in a course. Eligible learners may also have the option to start with a Free Trial. Some courses may also offer a Full Course, No Certificate option. This lets you access course materials, submit required assessments, and receive a final grade, but you won't be able to earn or purchase a Certificate.

Plus de questions

Visitez le Centre d'Aide pour les Étudiants

Aide financière disponible,

¹ Certains travaux de ce cours sont notés par l'IA. Pour ces travaux, vos Données internes seront utilisées conformément à Notification de confidentialité de Coursera.