À propos de ce Spécialisation

This specialization gives an introduction to deep learning, reinforcement learning, natural language understanding, computer vision and Bayesian methods. Top Kaggle machine learning practitioners and CERN scientists will share their experience of solving real-world problems and help you to fill the gaps between theory and practice. Upon completion of 7 courses you will be able to apply modern machine learning methods in enterprise and understand the caveats of real-world data and settings.
Résultats de carrière des étudiants
50 %
ont commencé une nouvelle carrière après avoir terminé ce spécialisation.
43 %
ont obtenu une augmentation de salaire ou une promotion.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

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
Résultats de carrière des étudiants
50 %
ont commencé une nouvelle carrière après avoir terminé ce spécialisation.
43 %
ont obtenu une augmentation de salaire ou une promotion.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

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
1,292 évaluations
290 avis
Cours2

Cours 2

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

4.7
étoiles
810 évaluations
171 avis
Cours3

Cours 3

Bayesian Methods for Machine Learning

4.6
étoiles
493 évaluations
137 avis
Cours4

Cours 4

Practical Reinforcement Learning

4.1
étoiles
317 évaluations
87 avis

Enseignants

Offert par

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

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

Le logo de l'un des partenaires du secteur

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.