Об этом курсе

Недавно просмотрено: 84,990

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 1 из 4 в программе

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Basic understanding of JavaScript

Прибл. 12 часа на выполнение

Предполагаемая нагрузка: 4 weeks of study, 4-5 hours/week...

Английский

Субтитры: Английский

Чему вы научитесь

  • Train and run inference in a browser

  • Handle data in a browser

  • Build an object classification and recognition model using a webcam

Приобретаемые навыки

Convolutional Neural NetworkMachine LearningTensorflowObject DetectionTensorFlow.js

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 1 из 4 в программе

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Basic understanding of JavaScript

Прибл. 12 часа на выполнение

Предполагаемая нагрузка: 4 weeks of study, 4-5 hours/week...

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1

Неделя 1

5 ч. на завершение

Introduction to TensorFlow.js

5 ч. на завершение
11 видео ((всего 30 мин.)), 7 материалов для самостоятельного изучения, 3 тестов
11 видео
Course Introduction, A Conversation with Andrew Ng1мин
A Few Words From Laurence2мин
Building the Model3мин
Training the Model3мин
First Example In Code4мин
The Iris Dataset1мин
Reading the Data4мин
One-hot Encoding1мин
Designing the NN2мин
Iris Classifier In Code6мин
7 материала для самостоятельного изучения
Getting Your System Ready10мин
Downloading the Coding Examples and Exercises10мин
Your First Model10мин
Iris Dataset Documentation10мин
Using the Web Server10мин
Iris Classifier10мин
Week 1 Wrap up10мин
2 практического упражнения
Quiz 1
One-Hot Encoding
Неделя
2

Неделя 2

4 ч. на завершение

Image Classification In the Browser

4 ч. на завершение
8 видео ((всего 27 мин.)), 5 материалов для самостоятельного изучения, 2 тестов
8 видео
Creating a Convolutional Net with JavaScript4мин
Visualizing the Training Process2мин
What Is a Sprite Sheet?1мин
Using the Sprite Sheet2мин
Using tf.tidy() to Save Memory1мин
A Few Words From Laurence24
MNIST Classifier In Code13мин
5 материала для самостоятельного изучения
tjs-vis Documentation10мин
MNIST Sprite Sheet10мин
MNIST Classifier10мин
Week 2 Wrap up10мин
Exercise Description10мин
1 практическое упражнение
Week 2 Quiz
Неделя
3

Неделя 3

5 ч. на завершение

Converting Models to JSON Format

5 ч. на завершение
12 видео ((всего 28 мин.)), 7 материалов для самостоятельного изучения, 2 тестов
12 видео
A Few Words From Laurence1мин
Pre-trained TensorFlow.js Models49
Toxicity Classifier3мин
Toxicity Classifier In Code3мин
MobileNet49
Using MobileNet1мин
Training Results1мин
MobileNet Example In Code3мин
Converting Models to JavaScript4мин
Converting Models to JavaScript In Code2мин
Linear Example In Code1мин
7 материала для самостоятельного изучения
Important Links10мин
Toxicity Classifier10мин
Classes Supported by MobileNet10мин
Image Classification Using MobileNet10мин
Linear Model10мин
Week 3 Wrap up10мин
Optional - Install Wget (Only If Needed)10мин
1 практическое упражнение
Week 3 Quiz
Неделя
4

Неделя 4

4 ч. на завершение

Transfer Learning with Pre-Trained Models

4 ч. на завершение
11 видео ((всего 26 мин.)), 3 материалов для самостоятельного изучения, 2 тестов
11 видео
A Few Words From Laurence53
Building a Simple Web Page2мин
Retraining the MobileNet Model1мин
The Training Function2мин
Capturing the Data3мин
The Dataset Class2мин
Training the Network with the Captured Data1мин
Performing Inference4мин
Rock Paper Scissors In Code4мин
A Conversation with Andrew Ng1мин
3 материала для самостоятельного изучения
Rock Paper Scissors10мин
Exercise Description10мин
Wrap up10мин
1 практическое упражнение
Week 4 Quiz

Рецензии

Лучшие отзывы о курсе BROWSER-BASED MODELS WITH TENSORFLOW.JS
Посмотреть все отзывы

Преподаватели

от партнера

Логотип deeplearning.ai

deeplearning.ai

Специализация TensorFlow: Data and Deployment: общие сведения

Continue developing your skills in TensorFlow as you learn to navigate through a wide range of deployment scenarios and discover new ways to use data more effectively when training your machine learning models. In this four-course Specialization, you’ll learn how to get your machine learning models into the hands of real people on all kinds of devices. Start by understanding how to train and run machine learning models in browsers and in mobile applications. Learn how to leverage built-in datasets with just a few lines of code, learn about data pipelines with TensorFlow data services, use APIs to control data splitting, process all types of unstructured data and retrain deployed models with user data while maintaining data privacy. Apply your knowledge in various deployment scenarios and get introduced to TensorFlow Serving, TensorFlow, Hub, TensorBoard, and more. Industries all around the world are adopting Artificial Intelligence. This Specialization from Laurence Moroney and Andrew Ng will help you develop and deploy machine learning models across any device or platform faster and more accurately than ever. This Specialization builds upon skills learned in the TensorFlow in Practice Specialization. We recommend learners complete that Specialization prior to enrolling in TensorFlow: Data and Deployment....
TensorFlow: Data and Deployment

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

Остались вопросы? Посетите Центр поддержки учащихся.