À propos de ce Spécialisation

83,181 consultations récentes

Cours en ligne à 100 %

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Planning flexible

Définissez et respectez des dates limites flexibles.

Niveau avancé

Anglais

Sous-titres : Anglais, Coréen

Cours en ligne à 100 %

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Planning flexible

Définissez et respectez des dates limites flexibles.

Niveau avancé

Anglais

Sous-titres : Anglais, Coréen

Comment fonctionne la Spécialisation

Suivez les cours

Une Spécialisation Coursera est une série de cours axés sur la maîtrise d'une compétence. Pour commencer, inscrivez-vous directement à la Spécialisation ou passez en revue ses cours et choisissez celui par lequel vous souhaitez commencer. Lorsque vous vous abonnez à un cours faisant partie d'une Spécialisation, vous êtes automatiquement abonné(e) à la Spécialisation complète. Il est possible de terminer seulement un cours : vous pouvez suspendre votre formation ou résilier votre abonnement à tout moment. Rendez-vous sur votre tableau de bord d'étudiant pour suivre vos inscriptions aux cours et vos progrès.

Projet pratique

Chaque Spécialisation inclut un projet pratique. Vous devez réussir le(s) projet(s) pour terminer la Spécialisation et obtenir votre Certificat. Si la Spécialisation inclut un cours dédié au projet pratique, vous devrez terminer tous les autres cours avant de pouvoir le commencer.

Obtenir un Certificat

Lorsque vous aurez terminé tous les cours et le projet pratique, vous obtiendrez un Certificat que vous pourrez partager avec des employeurs éventuels et votre réseau professionnel.

how it works

Cette Spécialisation compte 7 cours

Cours1

Cours 1

Introduction to Deep Learning

4.6
étoiles
1,267 évaluations
282 avis
Cours2

Cours 2

How to Win a Data Science Competition: Learn from Top Kagglers

4.7
étoiles
788 évaluations
164 avis
Cours3

Cours 3

Bayesian Methods for Machine Learning

4.6
étoiles
474 évaluations
128 avis
Cours4

Cours 4

Practical Reinforcement Learning

4.2
étoiles
304 évaluations
81 avis

Enseignants

Image de l'enseignant, Mikhail Hushchyn

Mikhail Hushchyn 

Researcher at Laboratory for Methods of Big Data Analysis
HSE Faculty of Computer Science
Image de l'enseignant, Alexey Zobnin

Alexey Zobnin 

Accosiate professor
HSE Faculty of Computer Science
Image de l'enseignant, Alexey Artemov

Alexey Artemov 

Senior Lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Sergey Yudin

Sergey Yudin 

Analyst-developer
Yandex
Image de l'enseignant, Alexander Guschin

Alexander Guschin 

Visiting lecturer at HSE, Lecturer at MIPT
HSE Faculty of Computer Science
Image de l'enseignant, Nikita Kazeev

Nikita Kazeev 

Researcher
HSE Faculty of Computer Science
Image de l'enseignant, Andrei Ustyuzhanin

Andrei Ustyuzhanin 

Head of Laboratory for Methods of Big Data Analysis
HSE Faculty of Computer Science
Image de l'enseignant, Dmitry Ulyanov

Dmitry Ulyanov 

Visiting lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Marios Michailidis

Marios Michailidis 

Research Data Scientist
H2O.ai
Image de l'enseignant, Daniil Polykovskiy

Daniil Polykovskiy 

Sr. Research Scientist
HSE Faculty of Computer Science
Image de l'enseignant, Ekaterina Lobacheva

Ekaterina Lobacheva 

Senior Lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Andrei Zimovnov

Andrei Zimovnov 

Senior Lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Alexander Novikov

Alexander Novikov 

Researcher
HSE Faculty of Computer Science
Image de l'enseignant, Dmitry Altukhov

Dmitry Altukhov 

Visiting lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Pavel Shvechikov

Pavel Shvechikov 

Researcher at HSE and Sberbank AI Lab
HSE Faculty of Computer Science
Image de l'enseignant, Anton Konushin

Anton Konushin 

Senior Lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Anna Kozlova

Anna Kozlova 

Team Lead
Yandex
Image de l'enseignant, Mikhail Trofimov

Mikhail Trofimov 

Visiting lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Evgeny Sokolov

Evgeny Sokolov 

Senior Lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Alexander Panin

Alexander Panin 

Lecturer
HSE Faculty of Computer Science
Image de l'enseignant, Anna Potapenko

Anna Potapenko 

Researcher
HSE Faculty of Computer Science

Partenaires du secteur

Industry Partner Logo #0

À propos de Université nationale de recherche, École des hautes études en sciences économiques

National Research University - Higher School of Economics (HSE) is one of the top research universities in Russia. Established in 1992 to promote new research and teaching in economics and related disciplines, it now offers programs at all levels of university education across an extraordinary range of fields of study including business, sociology, cultural studies, philosophy, political science, international relations, law, Asian studies, media and communicamathematics, engineering, and more. Learn more on www.hse.ru...

Foire Aux Questions

  • Oui ! Pour commencer, cliquez sur la carte du cours qui vous intéresse et inscrivez-vous. Vous pouvez vous inscrire et terminer le cours pour obtenir un Certificat partageable, ou vous pouvez accéder au cours en auditeur libre afin d'en visualiser gratuitement le contenu. Si vous vous abonnez à un cours faisant partie d'une Spécialisation, vous êtes automatiquement abonné(e) à la Spécialisation complète. Visitez votre tableau de bord d'étudiant(e) pour suivre vos progrès.

  • Ce cours est entièrement en ligne : vous n'avez donc pas besoin de vous présenter physiquement dans une salle de classe. Vous pouvez accéder à vos vidéos de cours, lectures et devoirs en tout temps et en tout lieu, par l'intermédiaire du Web ou de votre appareil mobile.

  • Time to completion can vary based on your schedule, but most learners are able to complete the Specialization in 8-10 months.

  • As prerequisites we assume calculus and linear algebra (especially derivatives, matrices and operations with them), probability theory (random variables, distributions, moments), basic programming in python (functions, loops, numpy), basic machine learning (linear models, decision trees, boosting and random forests). Our intended audience are all people who are already familiar with basic machine learning and want to get a hand-on experience of research and development in the field of modern machine learning.

  • We recommend taking the “Intro to Deep Learning” course first as most of the subsequent courses will build on its material. All other courses can be taken in any order.

  • Coursera courses and certificates don't carry university credit, though some universities may choose to accept Specialization Certificates for credit. Check with your institution to learn more.

  • After completing 7 courses of the Specialization you will be able to:

    Use modern deep neural networks for various machine learning problems with complex inputs;

    Participate in data science competitions and use the most popular and effective machine learning tools;

    Adopt the best practices of data exploration, preprocessing and feature engineering;

    Perform Bayesian inference, understand Bayesian Neural Networks and Variational Autoencoders;

    Use reinforcement learning methods to build agents for games and other environments;

    Solve computer vision problems with a combination of deep models and classical computer vision algorithms;

    Outline state-of-the-art techniques for natural language tasks, such as sentiment analysis, semantic slot filling, summarization, topics detection, and many others;

    Build goal-oriented dialogue agents and train them to hold a human-like conversation;

    Understand limitations of standard machine learning methods and design new algorithms for new tasks.

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