Informações sobre o curso
626,582 visualizações recentes

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível iniciante

Aprox. 15 horas para completar

Sugerido: 3 weeks, 3-6 hours per week...

Inglês

Legendas: Chinês (tradicional), Chinês (simplificado), Coreano, Turco, Inglês, Espanhol...

Habilidades que você terá

HyperparameterTensorflowHyperparameter OptimizationDeep Learning

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível iniciante

Aprox. 15 horas para completar

Sugerido: 3 weeks, 3-6 hours per week...

Inglês

Legendas: Chinês (tradicional), Chinês (simplificado), Coreano, Turco, Inglês, Espanhol...

Programa - O que você aprenderá com este curso

Semana
1
8 horas para concluir

Practical aspects of Deep Learning

15 vídeos (Total 131 mín.), 3 leituras, 4 testes
15 videos
Bias / Variance8min
Basic Recipe for Machine Learning6min
Regularization9min
Why regularization reduces overfitting?7min
Dropout Regularization9min
Understanding Dropout7min
Other regularization methods8min
Normalizing inputs5min
Vanishing / Exploding gradients6min
Weight Initialization for Deep Networks6min
Numerical approximation of gradients6min
Gradient checking6min
Gradient Checking Implementation Notes5min
Yoshua Bengio interview25min
3 leituras
Clarification about Upcoming Regularization Video1min
Clarification about Upcoming Understanding dropout Video1min
Clarification about Upcoming Normalizing Inputs Video1min
1 exercício prático
Practical aspects of deep learning20min
Semana
2
4 horas para concluir

Optimization algorithms

11 vídeos (Total 92 mín.), 2 leituras, 2 testes
11 videos
Understanding mini-batch gradient descent11min
Exponentially weighted averages5min
Understanding exponentially weighted averages9min
Bias correction in exponentially weighted averages4min
Gradient descent with momentum9min
RMSprop7min
Adam optimization algorithm7min
Learning rate decay6min
The problem of local optima5min
Yuanqing Lin interview13min
2 leituras
Clarification about Upcoming Adam Optimization Video1min
Clarification about Learning Rate Decay Video1min
1 exercício prático
Optimization algorithms20min
Semana
3
5 horas para concluir

Hyperparameter tuning, Batch Normalization and Programming Frameworks

11 vídeos (Total 104 mín.), 2 leituras, 2 testes
11 videos
Using an appropriate scale to pick hyperparameters8min
Hyperparameters tuning in practice: Pandas vs. Caviar6min
Normalizing activations in a network8min
Fitting Batch Norm into a neural network12min
Why does Batch Norm work?11min
Batch Norm at test time5min
Softmax Regression11min
Training a softmax classifier10min
Deep learning frameworks4min
TensorFlow16min
2 leituras
Clarifications about Upcoming Softmax Video1min
Note about TensorFlow 1 and TensorFlow 210min
1 exercício prático
Hyperparameter tuning, Batch Normalization, Programming Frameworks20min
4.9
4334 avaliaçõesChevron Right

41%

comecei uma nova carreira após concluir estes cursos

37%

consegui um benefício significativo de carreira com este curso

12%

recebi um aumento ou promoção

Principais avaliações do Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization

por AMOct 9th 2019

I really enjoyed this course. Many details are given here that are crucial to gain experience and tips on things that looks easy at first sight but are important for a faster ML project implementation

por HDDec 6th 2019

I enjoyed it, it is really helpful, id like to have the oportunity to implement all these deeply in a real example.\n\nthe only thing i didn't have completely clear is the barch norm, it is so confuse

Instrutores

Avatar

Andrew Ng

CEO/Founder Landing AI; Co-founder, Coursera; Adjunct Professor, Stanford University; formerly Chief Scientist,Baidu and founding lead of Google Brain
Avatar

Head Teaching Assistant - Kian Katanforoosh

Lecturer of Computer Science at Stanford University, deeplearning.ai, Ecole CentraleSupelec
Avatar

Teaching Assistant - Younes Bensouda Mourri

Mathematical & Computational Sciences, Stanford University, deeplearning.ai
Computer Science

Sobre deeplearning.ai

deeplearning.ai is Andrew Ng's new venture which amongst others, strives for providing comprehensive AI education beyond borders....

Sobre Programa de cursos integrados Aprendizagem profunda

If you want to break into AI, this Specialization will help you do so. Deep Learning is one of the most highly sought after skills in tech. We will help you become good at Deep Learning. In five courses, you will learn the foundations of Deep Learning, understand how to build neural networks, and learn how to lead successful machine learning projects. You will learn about Convolutional networks, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization, and more. You will work on case studies from healthcare, autonomous driving, sign language reading, music generation, and natural language processing. You will master not only the theory, but also see how it is applied in industry. You will practice all these ideas in Python and in TensorFlow, which we will teach. You will also hear from many top leaders in Deep Learning, who will share with you their personal stories and give you career advice. AI is transforming multiple industries. After finishing this specialization, you will likely find creative ways to apply it to your work. We will help you master Deep Learning, understand how to apply it, and build a career in AI....
Aprendizagem profunda

Perguntas Frequentes – FAQ

  • Ao se inscrever para um Certificado, você terá acesso a todos os vídeos, testes e tarefas de programação (se aplicável). Tarefas avaliadas pelos colegas apenas podem ser enviadas e avaliadas após o início da sessão. Caso escolha explorar o curso sem adquiri-lo, talvez você não consiga acessar certas tarefas.

  • Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.