Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7
5,162 avis
niveau Intermédiaire
Expérience recommandée
Expérience recommandée
Niveau intermédiaire
Vous devez suivre les 3 premiers cours de la Specializations TensorFlow et être à l'aise pour coder en Python et comprendre les mathématiques de niveau lycée.
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7
5,162 avis
niveau Intermédiaire
Expérience recommandée
Expérience recommandée
Niveau intermédiaire
Vous devez suivre les 3 premiers cours de la Specializations TensorFlow et être à l'aise pour coder en Python et comprendre les mathématiques de niveau lycée.
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à ce Certificat Professionnel.
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 auprès de DeepLearning.AI
Il y a 4 modules dans ce cours
Si vous êtes un développeur de logiciels qui veut construire des algorithmes évolutifs alimentés par l'IA, vous devez comprendre comment utiliser les outils pour les construire. Cette spécialisation vous enseignera les meilleures pratiques pour utiliser TensorFlow, un framework open-source populaire pour l'apprentissage automatique. Dans ce quatrième cours, vous apprendrez à construire des modèles de séries chronologiques dans TensorFlow. Vous commencerez par mettre en œuvre les meilleures pratiques pour préparer les données de séries chronologiques. Vous explorerez également comment les RNN et les ConvNets 1D peuvent être utilisés pour la prédiction. Enfin, vous appliquerez tout ce que vous avez appris tout au long de la spécialisation pour construire un modèle de prédiction des taches solaires en utilisant des données du monde réel ! Le cours Apprentissage automatique et la spécialisation Deep learning d'Andrew Ng enseignent les principes les plus importants et les plus fondamentaux de l'apprentissage automatique et du Deep learning. Cette nouvelle spécialisation DeepLearning.IA TensorFlow Developer vous apprend à utiliser TensorFlow pour mettre en œuvre ces principes afin que vous puissiez commencer à construire et à appliquer des modèles évolutifs à des problèmes du monde réel. Pour développer une compréhension plus approfondie du fonctionnement des réseaux de neurones, nous vous recommandons de suivre la spécialisation Deep learning.
Bonjour aux apprenants et bienvenue dans ce cours sur les séquences et la prédiction ! Dans ce cours, nous allons examiner certaines des considérations uniques impliquées dans le traitement des données de séries temporelles séquentielles - où les valeurs changent au fil du temps, comme la température d'un jour particulier, ou le nombre de visiteurs sur votre site Web. Nous discuterons de diverses méthodologies pour prédire les valeurs futures de ces séries temporelles, en nous appuyant sur ce que vous avez appris dans les cours précédents !
Inclus
10 vidéos7 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
10 vidéos•Total 32 minutes
Introduction : Une conversation avec Andrew Ng•3 minutes
Exemples de séries chronologiques•4 minutes
Apprentissage automatique appliqué aux séries chronologiques•2 minutes
Modèles communs dans les séries temporelles•5 minutes
Introduction aux séries temporelles•4 minutes
Ensembles de formation, de validation et de test•3 minutes
Mesures d'évaluation des performances•2 minutes
Moyenne mobile et différentiation•3 minutes
Fenêtres en fin de parcours ou centrées•1 minute
Prévisions•4 minutes
7 lectures•Total 18 minutes
Bienvenue dans le cours !•1 minute
A propos des Bloc-notes de ce cours•5 minutes
Récapitulatif de la semaine 1•2 minutes
Rejoignez le forum DeepLearning.IA pour poser des questions, obtenir du soutien ou partager des idées étonnantes !•2 minutes
Notes de cours Semaine 1•1 minute
Conseils de dépannage pour l'affectation•5 minutes
(Facultatif) Téléchargement de votre carnet de notes et actualisation de votre espace de travail•2 minutes
1 devoir•Total 30 minutes
Quiz de la semaine 1•30 minutes
1 devoir de programmation•Total 180 minutes
Travailler avec des séries temporelles générées•180 minutes
2 laboratoires non notés•Total 60 minutes
Introduction au carnet de séries temporelles (Lab 1)•30 minutes
Carnet de prévisions (Labo 2)•30 minutes
Réseaux neuronaux profonds pour les séries temporelles
Semaine 2•5 heures à terminer
Détails du module
Après avoir exploré les séries temporelles et certains de leurs attributs communs, tels que la tendance et la saisonnalité, et après avoir utilisé des méthodes statistiques pour la projection, commençons maintenant à apprendre aux réseaux neuronaux à reconnaître et à prédire les séries temporelles !
Inclus
10 vidéos2 lectures1 devoir1 devoir de programmation3 laboratoires non notés
Afficher les informations sur le contenu du module
10 vidéos•Total 25 minutes
Une conversation avec Andrew Ng•1 minute
Préparation des caractéristiques et des étiquettes•4 minutes
Préparation des caractéristiques et des étiquettes (screencast)•3 minutes
Alimentation du réseau neuronal en données fenêtrées•2 minutes
Réseau neuronal à couche unique•3 minutes
Apprentissage automatique sur les fenêtres temporelles•1 minute
Prédiction•2 minutes
En savoir plus sur les réseaux neuronaux à couche unique•2 minutes
Entraînement, réglage et prédiction de réseaux neuronaux profonds•4 minutes
Réseau neuronal profond•3 minutes
2 lectures•Total 2 minutes
Récapitulatif de la semaine 2•1 minute
Notes de cours Semaine 2•1 minute
1 devoir•Total 30 minutes
Quiz de la semaine 2•30 minutes
1 devoir de programmation•Total 180 minutes
Prévision à l'aide de réseaux neuronaux•180 minutes
3 laboratoires non notés•Total 90 minutes
Préparation du carnet de caractéristiques et d'étiquettes (Labo 1)•30 minutes
Manuel sur les réseaux neuronaux à simple couche (Labo 2)•30 minutes
Carnet de notes sur les réseaux neuronaux profonds (Lab 3)•30 minutes
Réseaux neuronaux récurrents pour les séries temporelles
Semaine 3•5 heures à terminer
Détails du module
Les réseaux neuronaux récurrents et les réseaux de mémoire à long terme sont très utiles pour classer et prédire des données séquentielles. Cette semaine, nous allons explorer leur utilisation avec des séries temporelles..
Inclus
8 vidéos4 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
8 vidéos•Total 16 minutes
Semaine 3 - Une conversation avec Andrew Ng•3 minutes
Aperçu conceptuel•3 minutes
Forme des entrées du RNN•2 minutes
Sortie d'une séquence•1 minute
Couches lambda•1 minute
Ajustement dynamique du taux d'apprentissage•2 minutes
Mémoire court et long terme (LSTM)•2 minutes
Codage des LSTM•2 minutes
4 lectures•Total 22 minutes
Plus d'informations sur la perte de Huber•10 minutes
Lien vers la leçon LSTM•10 minutes
Récapitulatif de la semaine 3•1 minute
Notes de cours Semaine 3•1 minute
1 devoir•Total 30 minutes
Quiz de la semaine 3•30 minutes
1 devoir de programmation•Total 180 minutes
Prévision à l'aide de RNN ou de LSTM•180 minutes
2 laboratoires non notés•Total 60 minutes
Carnet de notes RNN (Labo 1)•30 minutes
Mémoire court et long terme (Lab 2)•30 minutes
Données de séries temporelles du monde réel
Semaine 4•6 heures à terminer
Détails du module
En plus des DNN et des RNN, ajoutons des convolutions, puis assemblons le tout à l'aide d'une série de données réelles - une série qui mesure l'activité des taches solaires sur des centaines d'années - et voyons si nous pouvons faire des prédictions à l'aide de ces données
Inclus
11 vidéos9 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
11 vidéos•Total 22 minutes
Semaine 4 - Une conversation avec Andrew Ng•1 minute
Convolutions•1 minute
LSTM bidirectionnelles•3 minutes
Convolutions avec LSTM•1 minute
Données réelles - taches solaires•3 minutes
Entraînement et mise au point du modèle•3 minutes
Prédiction•2 minutes
Taches solaires•1 minute
Combiner nos outils d'analyse•4 minutes
Félicitations !•1 minute
Récapitulatif des spécialisations - Une conversation avec Andrew Ng•2 minutes
9 lectures•Total 42 minutes
Cours sur les réseaux neuronaux convolutifs•10 minutes
En savoir plus sur le dimensionnement des lots•10 minutes
Notes de cours Semaine 4•1 minute
[IMPORTANT] Rappel sur la fin de l'accès aux cahiers de laboratoire•2 minutes
Récapitulation•1 minute
Références•10 minutes
Remerciements•1 minute
Quelle est la prochaine étape ?•5 minutes
(Facultatif) Possibilité d'encadrer d'autres apprenants•2 minutes
1 devoir•Total 30 minutes
Quiz de la semaine 4•30 minutes
1 devoir de programmation•Total 180 minutes
Ajouter des CNN pour améliorer les prévisions•180 minutes
2 laboratoires non notés•Total 75 minutes
Convolutions avec le cahier LSTM (Labo 1)•30 minutes
Cahiers sur les taches solaires (Labo 2 & Labo 3)•45 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.
Instructeur
Évaluations de l’enseignant
Évaluations de l’enseignant
Nous avons demandé à tous les étudiants de fournir des commentaires sur nos enseignants au sujet de la qualité de leur pédagogie.
DeepLearning.AI est une société de technologie éducative qui développe une communauté mondiale de talents en matière d'IA.
Les expériences éducatives de DeepLearning.AI, menées par des experts, fournissent aux praticiens de l'IA et aux professionnels non techniques les outils nécessaires pour passer des bases fondamentales aux applications avancées, leur permettant ainsi de construire un avenir propulsé par l'IA.
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.’
Avis des étudiants
4.7
5 162 avis
5 stars
77,99 %
4 stars
15,72 %
3 stars
3,89 %
2 stars
1,16 %
1 star
1,22 %
Affichage de 3 sur 5162
V
VV
5·
Révisé le 25 nov. 2019
Great course! The notebooks were a great help for understanding the material. I only wish there were auto-graded notebooks in addition to the quizzes like in some of the other courses by Andrew Ng.
W
WE
4·
Révisé le 16 juil. 2020
The course is fantastic. It was a bit short and with some hyperparameters tuning focus, it could have been great. Also, it seems that it is biased to show that LSTM is always superior to RNN networks.
V
VH
5·
Révisé le 18 juin 2020
Coming from a background of knowing Deep Learning and theory of Time Series, this course was extremely helpful in understanding the practical aspects. I would recommend you take a course as well
Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Qu'est-ce que je recevrai si je m'abonne à ce certificat ?
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours du certificat et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - à partir de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.