À propos de ce cours

812,559 consultations récentes

Résultats de carrière des étudiants

41%

ont commencé une nouvelle carrière après avoir terminé ce cours

37%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

12%

a obtenu une augmentation de salaire ou une promotion

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 2 sur 5 dans le

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau débutant

Approx. 15 heures pour terminer

Recommandé : 3 weeks, 3-6 hours per week...

Anglais

Sous-titres : Chinois (traditionnel), Chinois (simplifié), Coréen, Turc, Anglais, Espagnol...

Compétences que vous acquerrez

HyperparameterTensorflowHyperparameter OptimizationDeep Learning

Résultats de carrière des étudiants

41%

ont commencé une nouvelle carrière après avoir terminé ce cours

37%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

12%

a obtenu une augmentation de salaire ou une promotion

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 2 sur 5 dans le

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau débutant

Approx. 15 heures pour terminer

Recommandé : 3 weeks, 3-6 hours per week...

Anglais

Sous-titres : Chinois (traditionnel), Chinois (simplifié), Coréen, Turc, Anglais, Espagnol...

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1

Semaine 1

8 heures pour terminer

Practical aspects of Deep Learning

8 heures pour terminer
15 vidéos (Total 131 min), 3 lectures, 4 quiz
15 vidéos
Bias / Variance8 min
Basic Recipe for Machine Learning6 min
Regularization9 min
Why regularization reduces overfitting?7 min
Dropout Regularization9 min
Understanding Dropout7 min
Other regularization methods8 min
Normalizing inputs5 min
Vanishing / Exploding gradients6 min
Weight Initialization for Deep Networks6 min
Numerical approximation of gradients6 min
Gradient checking6 min
Gradient Checking Implementation Notes5 min
Yoshua Bengio interview25 min
3 lectures
Clarification about Upcoming Regularization Video1 min
Clarification about Upcoming Understanding dropout Video1 min
Clarification about Upcoming Normalizing Inputs Video1 min
1 exercices pour s'entraîner
Practical aspects of deep learning30 min
Semaine
2

Semaine 2

5 heures pour terminer

Optimization algorithms

5 heures pour terminer
11 vidéos (Total 92 min), 2 lectures, 2 quiz
11 vidéos
Understanding mini-batch gradient descent11 min
Exponentially weighted averages5 min
Understanding exponentially weighted averages9 min
Bias correction in exponentially weighted averages4 min
Gradient descent with momentum9 min
RMSprop7 min
Adam optimization algorithm7 min
Learning rate decay6 min
The problem of local optima5 min
Yuanqing Lin interview13 min
2 lectures
Clarification about Upcoming Adam Optimization Video1 min
Clarification about Learning Rate Decay Video1 min
1 exercices pour s'entraîner
Optimization algorithms30 min
Semaine
3

Semaine 3

5 heures pour terminer

Hyperparameter tuning, Batch Normalization and Programming Frameworks

5 heures pour terminer
11 vidéos (Total 104 min), 2 lectures, 2 quiz
11 vidéos
Using an appropriate scale to pick hyperparameters8 min
Hyperparameters tuning in practice: Pandas vs. Caviar6 min
Normalizing activations in a network8 min
Fitting Batch Norm into a neural network12 min
Why does Batch Norm work?11 min
Batch Norm at test time5 min
Softmax Regression11 min
Training a softmax classifier10 min
Deep learning frameworks4 min
TensorFlow16 min
2 lectures
Clarifications about Upcoming Softmax Video1 min
Note about TensorFlow 1 and TensorFlow 210 min
1 exercices pour s'entraîner
Hyperparameter tuning, Batch Normalization, Programming Frameworks30 min

Avis

Meilleurs avis pour IMPROVING DEEP NEURAL NETWORKS: HYPERPARAMETER TUNING, REGULARIZATION AND OPTIMIZATION
Voir tous les avis

À propos du Spécialisation Deep Learning

If you want to break into AI, this Specialization will help you do so. Deep Learning is one of the most highly sought after skills in tech. We will help you become good at Deep Learning. In five courses, you will learn the foundations of Deep Learning, understand how to build neural networks, and learn how to lead successful machine learning projects. You will learn about Convolutional networks, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization, and more. You will work on case studies from healthcare, autonomous driving, sign language reading, music generation, and natural language processing. You will master not only the theory, but also see how it is applied in industry. You will practice all these ideas in Python and in TensorFlow, which we will teach. You will also hear from many top leaders in Deep Learning, who will share with you their personal stories and give you career advice. AI is transforming multiple industries. After finishing this specialization, you will likely find creative ways to apply it to your work. We will help you master Deep Learning, understand how to apply it, and build a career in AI....
Deep Learning

Foire Aux Questions

  • Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.

  • Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.