À propos de ce cours
4.8
38 notes
6 avis
100 % en ligne

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire

Niveau intermédiaire

Heures pour terminer

Approx. 14 heures pour terminer

Recommandé : 4 weeks of study, 2-5 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais
100 % en ligne

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire

Niveau intermédiaire

Heures pour terminer

Approx. 14 heures pour terminer

Recommandé : 4 weeks of study, 2-5 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
Heures pour terminer
8 heures pour terminer

Simple Introduction to Machine Learning

The focus of this module is to introduce the concepts of machine learning with as little mathematics as possible. We will introduce basic concepts in machine learning, including logistic regression, a simple but widely employed machine learning (ML) method. Also covered is multilayered perceptron (MLP), a fundamental neural network. The concept of deep learning is discussed, and also related to simpler models. ...
Reading
23 vidéos (Total 164 min), 1 lecture, 14 quiz
Video23 vidéos
What Is Machine Learning?5 min
Logistic Regression9 min
Interpretation of Logistic Regression9 min
Motivation for Multilayer Perceptron4 min
Multilayer Perceptron Concepts5 min
Multilayer Perceptron Math Model6 min
Deep Learning6 min
Example: Document Analysis3 min
Interpretation of Multilayer Perceptron9 min
Transfer Learning5 min
Model Selection7 min
Early History of Neural Networks14 min
Hierarchical Structure of Images6 min
Convolution Filters9 min
Convolutional Neural Network3 min
CNN Math Model6 min
How the Model Learns8 min
Advantages of Hierarchical Features4 min
CNN on Real Images9 min
Applications in Use and Practice10 min
Deep Learning and Transfer Learning7 min
Introduction to TensorFlow3 min
Reading1 lectures
Math for Data Science10 min
Quiz10 exercices pour s'entraîner
Intro to Machine Learning8 min
Logistic Regression8 min
Multilayer Perceptron8 min
Deep Learning8 min
Model Selection8 min
History of Neural Networks8 min
CNN Concepts10 min
CNN Math Model4 min
Applications In Use and Practice
Week 1 Comprehensive
Semaine
2
Heures pour terminer
3 heures pour terminer

Basics of Model Learning

In this module we will be discussing the mathematical basis of learning deep networks. We’ll first work through how we define the issue of learning deep networks as a minimization problem of a mathematical function. After defining our mathematical goal, we will introduce validation methods to estimate real-world performance of the learned deep networks. We will then discuss how gradient descent, a classical technique in optimization, can be used to achieve this mathematical goal. Finally, we will discuss both why and how stochastic gradient descent is used in practice to learn deep networks....
Reading
6 vidéos (Total 44 min), 5 quiz
Video6 vidéos
How Do We Evaluate Our Networks?12 min
How Do We Learn Our Network?7 min
How Do We Handle Big Data?10 min
Early Stopping2 min
Model Learning with TensorFlow49s
Quiz3 exercices pour s'entraîner
Lesson One10 min
Lesson 210 min
Week 2 Comprehensive
Semaine
3
Heures pour terminer
3 heures pour terminer

Image Analysis with Convolutional Neural Networks

This week will cover model training, as well as transfer learning and fine-tuning. In addition to learning the fundamentals of a CNN and how it is applied, careful discussion is provided on the intuition of the CNN, with the goal of providing a conceptual understanding....
Reading
8 vidéos (Total 45 min), 6 quiz
Video8 vidéos
Breakdown of the Convolution (1D and 2D)8 min
Core Components of the Convolutional Layer7 min
Activation Functions4 min
Pooling and Fully Connected Layers4 min
Training the Network6 min
Transfer Learning and Fine-Tuning4 min
CNN with TensorFlow52s
Quiz4 exercices pour s'entraîner
Lesson One10 min
Lesson 210 min
Lesson 36 min
Week 3 Comprehensive
Semaine
4
Heures pour terminer
11 heures pour terminer

Introduction to Natural Language Processing

This week will cover the application of neural networks to natural language processing (NLP), from simple neural models to the more complex. The fundamental concept of word embeddings is discussed, as well as how such methods are employed within model learning and usage for several NLP applications. A wide range of neural NLP models are also discussed, including recurrent neural networks, and specifically long short-term memory (LSTM) models....
Reading
13 vidéos (Total 136 min), 5 quiz
Video13 vidéos
Words to Vectors7 min
Example of Word Embeddings11 min
Neural Model of Text14 min
The Softmax Function7 min
Methods for Learning Model Parameters9 min
More Details on How to Learn Model Parameters6 min
The Recurrent Neural Network11 min
Long Short-Term Memory20 min
Long Short-Term Memory Review11 min
Use of LSTM for Text Synthesis9 min
Simple and Effective Alternative Methods for Neural NLP15 min
Natural Language Processing with TensorFlow41s
Quiz4 exercices pour s'entraîner
Lesson 12 min
Lesson 22 min
Lesson 32 min
Week 4 Comprehensive30 min
4.8
6 avisChevron Right

Meilleurs avis

par AUNov 12th 2018

I like this introductory course, very good one to start to learn machine learning. I will definitely continue studying and re-watch the videos.

par EROct 5th 2018

This was a really great course for understanding the basics of machine learning through a lot of simple but relevant, real world examples.

Enseignants

Avatar

Lawrence Carin

James L. Meriam Professor of Electrical and Computer Engineering
Electrical and Computer Engineering

À propos de Université Duke

Duke University has about 13,000 undergraduate and graduate students and a world-class faculty helping to expand the frontiers of knowledge. The university has a strong commitment to applying knowledge in service to society, both near its North Carolina campus and around the world....

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 achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est 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.