Об этом курсе
4.9
Оценки: 14
Рецензии: 5
100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень

Промежуточный уровень

Часов на завершение

Прибл. 12 часа на выполнение

Предполагаемая нагрузка: 4 weeks of study, 2-5 hours/week...
Доступные языки

Английский

Субтитры: Английский...
100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень

Промежуточный уровень

Часов на завершение

Прибл. 12 часа на выполнение

Предполагаемая нагрузка: 4 weeks of study, 2-5 hours/week...
Доступные языки

Английский

Субтитры: Английский...

Программа курса: что вы изучите

Неделя
1
Часов на завершение
8 ч. на завершение

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 видео (всего 164 мин.), 1 материал для самостоятельного изучения, 14 тестов
Video23 видео
What Is Machine Learning?5мин
Logistic Regression9мин
Interpretation of Logistic Regression9мин
Motivation for Multilayer Perceptron4мин
Multilayer Perceptron Concepts5мин
Multilayer Perceptron Math Model6мин
Deep Learning6мин
Example: Document Analysis3мин
Interpretation of Multilayer Perceptron9мин
Transfer Learning5мин
Model Selection7мин
Early History of Neural Networks14мин
Hierarchical Structure of Images6мин
Convolution Filters9мин
Convolutional Neural Network3мин
CNN Math Model6мин
How the Model Learns8мин
Advantages of Hierarchical Features4мин
CNN on Real Images9мин
Applications in Use and Practice10мин
Deep Learning and Transfer Learning7мин
Introduction to TensorFlow3мин
Reading1 материал для самостоятельного изучения
Math for Data Science10мин
Quiz10 практического упражнения
Intro to Machine Learning8мин
Logistic Regression8мин
Multilayer Perceptron8мин
Deep Learning8мин
Model Selection8мин
History of Neural Networks8мин
CNN Concepts10мин
CNN Math Model4мин
Applications In Use and Practiceмин
Week 1 Comprehensiveмин
Неделя
2
Часов на завершение
3 ч. на завершение

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 видео (всего 44 мин.), 5 тестов
Video6 видео
How Do We Evaluate Our Networks?12мин
How Do We Learn Our Network?7мин
How Do We Handle Big Data?10мин
Early Stopping2мин
Model Learning with TensorFlowмин
Quiz3 практического упражнения
Lesson One10мин
Lesson 210мин
Week 2 Comprehensiveмин
Неделя
3
Часов на завершение
3 ч. на завершение

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 видео (всего 45 мин.), 6 тестов
Video8 видео
Breakdown of the Convolution (1D and 2D)8мин
Core Components of the Convolutional Layer7мин
Activation Functions4мин
Pooling and Fully Connected Layers4мин
Training the Network6мин
Transfer Learning and Fine-Tuning4мин
CNN with TensorFlowмин
Quiz4 практического упражнения
Lesson One10мин
Lesson 210мин
Lesson 36мин
Week 3 Comprehensiveмин
Неделя
4
Часов на завершение
11 ч. на завершение

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 видео (всего 136 мин.), 5 тестов
Video13 видео
Words to Vectors7мин
Example of Word Embeddings11мин
Neural Model of Text14мин
The Softmax Function7мин
Methods for Learning Model Parameters9мин
More Details on How to Learn Model Parameters6мин
The Recurrent Neural Network11мин
Long Short-Term Memory20мин
Long Short-Term Memory Review11мин
Use of LSTM for Text Synthesis9мин
Simple and Effective Alternative Methods for Neural NLP15мин
Natural Language Processing with TensorFlowмин
Quiz4 практического упражнения
Lesson 12мин
Lesson 22мин
Lesson 32мин
Week 4 Comprehensive30мин

Преподаватель

Avatar

Lawrence Carin

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

О Duke University

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....

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.

  • Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. 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.