Этот курс входит в специализацию ''Профессиональная сертификация 'Курс машинного обучения от IBM''

Mark J Grover и еще 1 преподаватель

от партнера

Профессиональная сертификация 'Курс машинного обучения от IBM'IBM

Об этом курсе

Недавно просмотрено: 14,499

This course introduces you to two of the most sought-after disciplines in Machine Learning: Deep Learning and Reinforcement Learning. Deep Learning is a subset of Machine Learning that has applications in both Supervised and Unsupervised Learning, and is frequently used to power most of the AI applications that we use on a daily basis. First you will learn about the theory behind Neural Networks, which are the basis of Deep Learning, as well as several modern architectures of Deep Learning. Once you have developed a few  Deep Learning models, the course will focus on Reinforcement Learning, a type of Machine Learning that has caught up more attention recently. Although currently Reinforcement Learning has only a few practical applications, it is a promising area of research in AI that might become relevant in the near future.
After this course, if you have followed the courses of the IBM Specialization in order, you will have considerable practice and a solid understanding in the main types of Machine Learning which are: Supervised Learning, Unsupervised Learning, Deep Learning, and Reinforcement Learning.

By the end of this course you should be able to:
Explain the kinds of problems suitable for Unsupervised Learning approaches
Explain the curse of dimensionality, and how it makes clustering difficult with many features
Describe and use common clustering and dimensionality-reduction algorithms
Try clustering points where appropriate, compare the performance of per-cluster models
Understand metrics relevant for characterizing clusters

Who should take this course?
This course targets aspiring data scientists interested in acquiring hands-on experience with Deep Learning and Reinforcement Learning.
 
What skills should you have?
To make the most out of this course, you should have familiarity with programming on a Python development environment, as well as fundamental understanding of Data Cleaning, Exploratory Data Analysis, Unsupervised Learning, Supervised Learning, Calculus, Linear Algebra, Probability, and Statistics.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 5 из 6 в программе

Курс машинного обучения от IBM

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Прибл. 14 часов на выполнение

Английский

Субтитры: Английский

Приобретаемые навыки

Deep LearningArtificial Neural NetworkMachine LearningReinforcement Learningkeras

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 5 из 6 в программе

Курс машинного обучения от IBM

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Прибл. 14 часов на выполнение

Английский

Субтитры: Английский

Преподаватели

Mark J Grover

Digital Content Delivery Lead

IBM Data & AI Learning

10,505 учащихся

14 курсов

Miguel Maldonado

Machine Learning Curriculum Developer

Data and AI Learning

3,575 учащихся

6 курсов

от партнера

IBM

IBM offers a wide range of technology and consulting services; a broad portfolio of middleware for collaboration, predictive analytics, software development and systems management; and the world's most advanced servers and supercomputers. Utilizing its business consulting, technology and R&D expertise, IBM helps clients become "smarter" as the planet becomes more digitally interconnected. IBM invests more than $6 billion a year in R&D, just completing its 21st year of patent leadership. IBM Research has received recognition beyond any commercial technology research organization and is home to 5 Nobel Laureates, 9 US National Medals of Technology, 5 US National Medals of Science, 6 Turing Awards, and 10 Inductees in US Inventors Hall of Fame.

Программа курса: что вы изучите

Неделя

Неделя 1

3 ч. на завершение

Introduction to Neural Networks

This module introduces Deep Learning, Neural Networks, and their applications. You will go through the theoretical background and characteristics that they share with other machine learning algorithms, as well as characteristics that makes them stand out as great modeling techniques for specific scenarios. You will also gain some hands-on practice on Neural Networks and key concepts that help these algorithms converge to robust solutions.

3 ч. на завершение

18 видео ((всего 143 мин.)), 4 материалов для самостоятельного изучения, 3 тестов

18 видео

Course Introduction1мин

Introduction to Neural Networks - Part 12мин

Introduction to Neural Networks - Part 27мин

Introduction to Neural Networks - Part 35мин

Introduction to Neural Networks - Part 411мин

Optimization and Gradient Descent8мин

Gradient Descent Notebook - Part 17мин

Gradient Descent Notebook - Part 212мин

Gradient Descent Notebook - Part 38мин

Introduction to Neural Networks Notebook - Part 114мин

Introduction to Neural Networks Notebook - Part 213мин

Introduction to Backpropagation in Neural Networks - Part 14мин

Backpropagation - Part 25мин

Backpropagation Notebook - Part 16мин

Backpropagation Notebook - Part 28мин

Backpropagation Notebook - Part 36мин

Other Activation Functions10мин

Regularization Techniques for Deep Learning6мин

4 материала для самостоятельного изучения

Introduction to Neural Networks Demo (Activity)2мин

Backpropagation Demo (Activity)2мин

Summary/Review10мин

3 практических упражнения

Check for Understanding5мин

End of Module Quiz10мин

Неделя

Неделя 2

2 ч. на завершение

Neural Network Optimizers and Keras

You can leverage several options to prioritize the training time or the accuracy of your neural network and deep learning models. In this module you learn about key concepts that intervene during model training, including optimizers and data shuffling. You will also gain hands-on practice using Keras, one of the go-to libraries for deep learning.

2 ч. на завершение

7 видео ((всего 63 мин.)), 2 материалов для самостоятельного изучения, 3 тестов

7 видео

Optimizers12мин

Details of Training Neural Networks7мин

Data Shuffling3мин

Keras10мин

Keras Notebook - Part 17мин

Keras Notebook - Part 213мин

Keras Notebook - Part 37мин

2 материала для самостоятельного изучения

Keras Demo (Activity)2мин

Summary/Review10мин

3 практических упражнения

Check for Understanding5мин

End of Module Quiz10мин

Неделя

Неделя 3

3 ч. на завершение

Convolutional Neural Networks

In this module you become familiar with convolutional neural networks, also known as space invariant artificial neural networks, a type of deep neural networks, frequently used in image AI applications. There are several CNN architectures, you will learn some of the most common ones to add to your toolkit of Deep Learning Techniques.

3 ч. на завершение

13 видео ((всего 118 мин.)), 3 материалов для самостоятельного изучения, 4 тестов

13 видео

Important Transformations8мин

Introduction to Convolutional Neural Networks - Part 17мин

Introduction to Convolutional Neural Networks - Part 27мин

Convolutional Settings - Padding and Stride6мин

Convolutional Settings - Depth and Pooling7мин

Demo CNN Notebook - Part 116мин

Demo CNN notebook - Part 25мин

Transfer Learning - Part 15мин

Transfer Learning - Part 23мин

Transfer Learning Notebook17мин

Convolutional Neural Network Architectures - Part 18мин

Convolutional Neural Network Architectures - Part 211мин

Convolutional Neural Network Architectures - Part 310мин

3 материала для самостоятельного изучения

Convolutional Neural Networks Demo (Activity)2мин

Transfer Learning Demo (Activity)2мин

Summary/Review10мин

4 практических упражнения

Check for Understanding5мин

End of Module Quiz10мин

Неделя

Неделя 4

2 ч. на завершение

Recurrent Neural Networks and Long-Short Term Memory Networks

In this module you become familiar with Recursive Neural Networks (RNNs) and Long-Short Term Memory Networks (LSTM), a type of RNN considered the breakthrough for speech to text recongintion. RNNs are frequently used in most AI applications today, and can also be used for supervised learning.

2 ч. на завершение

7 видео ((всего 62 мин.)), 2 материалов для самостоятельного изучения, 3 тестов

7 видео

Recurrent Neural Networks (RNNs) - Part 19мин

Recurrent Neural Networks (RNNs) - Part 26мин

Recurrent Neural Networks Notebook - Part 113мин

Recurrent Neural Networks Notebook - Part 25мин

Long-Short Term Memory (LSTM) Networks11мин

Gated Recurrent Unit - Part 15мин

Gated Recurrent Unit - Part 28мин

2 материала для самостоятельного изучения

Recurrent Neural Networks Demo (Activity)2мин

Summary/Review10мин

3 практических упражнения

Check for Understanding5мин

End of Module Quiz15мин

Неделя

Неделя 5

2 ч. на завершение

Deep Learning with Autoencoders

In this module you become familiar with Autoencoders, an useful application of Deep Learning for Unsupervised Learning. Autoencoders are a neural network architecture that forces the learning of a lower dimensional representation of data, commonly images. In this module you will learn some Deep learning-based techniques for data representation, how autoencoders work, and to describe the use of trained autoencoders for image applications

2 ч. на завершение

9 видео ((всего 76 мин.)), 2 материалов для самостоятельного изучения, 3 тестов

9 видео

Autoencoders - Part 16мин

Autoencoders - Part 26мин

Variational Autoencoders - Part 14мин

Variational Autoencoders - Part 25мин

Autoencoders Notebook - Part 114мин

Autoencoders Notebook - Part 210мин

Autoencoders Notebook - Part 37мин

Autoencoders Notebook - Part 49мин

Autoencoders Notebook - Part 510мин

2 материала для самостоятельного изучения

Autoencoders Demo (Activity)2мин

Summary/Review10мин

3 практических упражнения

Check for Understanding5мин

End of Module Quiz10мин

Неделя

Неделя 6

3 ч. на завершение

Deep Learning Applications and Reinforcement Learning

In this module you become familiar with other novel applications of Neural Networks. You will learn about Generative Adversarial Networks, frequently referred to as GANs, which are an application of Neural Networks to generate new data. Finally, you learn about Reinforcement Learning, one of the big promises for A.I., based on training algorithms by using rewards, instead of using a method to minimize error, which is what we have been using throughout the course.

3 ч. на завершение

8 видео ((всего 72 мин.)), 2 материалов для самостоятельного изучения, 4 тестов

8 видео

Generative Adversarial Networks - Part 16мин

Generative Adversarial Networks - Part 210мин

Additional Topics in Deep Learning7мин

Reinforcement Learning (RL)8мин

Reinforcement Learning Notebook - Part 111мин

Reinforcement Learning Notebook - Part 210мин

Reinforcement Learning Notebook - Part 37мин

Reinforcement Learning Notebook - Part 49мин

2 материала для самостоятельного изучения

Reinforcement Learning Demo (Activity)2мин

Summary/Review10мин

3 практических упражнения

Check for Understanding5мин

Module 6 Quiz10мин

Профессиональная сертификация 'Курс машинного обучения от IBM': общие сведения

Machine Learning is one of the most in-demand skills for jobs related to modern AI applications, a field in which hiring has grown 74% annually for the last four years (LinkedIn). This Professional Certificate from IBM is intended for anyone interested in developing skills and experience to pursue a career in Machine Learning and leverage the main types of Machine Learning: Unsupervised Learning, Supervised Learning, Deep Learning, and Reinforcement Learning. It also complements your learning with special topics, including Time Series Analysis and Survival Analysis.

This program consists of 6 courses providing you with solid theoretical understanding and considerable practice of the main algorithms, uses, and best practices related to Machine Learning . You will follow along and code your own projects using some of the most relevant open source frameworks and libraries. Although it is recommended that you have some background in Python programming, statistics, and linear algebra, this intermediate series is suitable for anyone who has some computer skills, interest in leveraging data, and a passion for self-learning. We start small, provide a solid theoretical background and code-along labs and demos, and build up to more complex topics. In addition to earning a Professional Certificate from Coursera, you will also receive a digital Badge from IBM recognizing your proficiency in Machine Learning.

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на сертификацию?
Записавшись на курс, вы получите доступ ко всем курсам в сертификации, 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.
Получу ли я зачеты в университете за прохождение курса?
Этот курс не приравнивается к зачету в университетах, однако некоторые вузы принимают сертификаты на свое усмотрение. Дополнительную информацию уточняйте в своем деканате. Онлайн-дипломы и сертификаты Mastertrack™ от Coursera позволяют получить зачеты.

Остались вопросы? Посетите Центр поддержки учащихся.

Deep Learning and Reinforcement Learning