La spécialisation Deep Learning est un programme fondamental qui vous aidera à comprendre les capacités, les défis et les conséquences de l'apprentissage profond et vous préparera à participer au développement d'une technologie d'IA de pointe.
Dans cette spécialisation, vous construirez et formerez des architectures de réseaux neuronaux telles que les réseaux neuronaux convolutifs, les réseaux neuronaux récurrents, les LSTM, les Transformers, et apprendrez à les améliorer avec des stratégies telles que Dropout, BatchNorm, l'initialisation Xavier/He, et plus encore. Préparez-vous à maîtriser les concepts théoriques et leurs applications industrielles en utilisant Python et TensorFlow et abordez des cas réels tels que la reconnaissance vocale, la synthèse musicale, les chatbots, la traduction automatique, le traitement du langage naturel, et plus encore.
L'IA transforme de nombreuses industries. La spécialisation en apprentissage profond fournit un chemin pour vous de prendre l'étape définitive dans le monde de l'IA en vous aidant à acquérir les connaissances et les compétences pour niveler vers le haut votre carrière. En cours de route, vous recevrez également des conseils de carrière de la part d'experts en apprentissage profond issus de l'industrie et du monde universitaire.
Projet d'apprentissage appliqué
À la fin du cours, vous serez en mesure de :
- Construire et entraîner des réseaux neuronaux profonds, mettre en œuvre des réseaux neuronaux vectorisés, identifier les paramètres d'architecture et appliquer le DL à vos applications
- Utiliser les meilleures pratiques pour former et développer des ensembles de test et analyser les biais/variances pour construire des applications DL, utiliser des techniques NN standard, appliquer des algorithmes d'optimisation et mettre en œuvre un réseau neuronal dans TensorFlow
- Utilisez des stratégies pour réduire les erreurs dans les systèmes de ML, comprenez les paramètres ML complexes et appliquez l'apprentissage de bout en bout, l'apprentissage par transfert et l'apprentissage multitâche
- Construire un réseau neuronal convolutif, l'appliquer à des tâches de détection et de reconnaissance visuelles, utiliser le transfert de style neuronal pour générer de l'art, et appliquer ces algorithmes à des images, des vidéos et d'autres données 2D/3D
- Construire et former des réseaux neuronaux récurrents et leurs variantes (GRU, LSTM), appliquer les RNN à la modélisation du langage au niveau des caractères, travailler avec le NLP et les Word Embeddings, et utiliser les tokenizers et transformateurs HuggingFace pour effectuer la reconnaissance d'entités nommées et la réponse aux questions
