Contents
成為機器學習專家。掌握深度學習的基礎知識,打入人工智慧領域。為最近尖端技術更新!
在五個課程中,你將了解深度學習的基礎、如何構建神經網路,以及如何帶領成功的機器學習專案。
關於此專業課程
深度學習專業是一項基礎課程,將幫助你了解深度學習的能力、挑戰和後果,並為參與尖端 AI 技術的開發做好準備。
在本專業課程中,你將構建和訓練神經網路架構,例如卷積神經網路( Convolutional Neural Networks )、遞歸神經網路( Recurrent Neural Networks )、LSTMs、Transformers,並學習如何使用 Dropout、BatchNorm、Xavier/He 初始化等策略做優化。準備好使用 Python 和 TensorFlow 掌握理論概念並應對業界的應用,包含處理語音識別、音樂合成、聊天機器人、機器翻譯、自然語言處理等實際案例。
人工智慧正在改變許多行業。深度學習專業課幫助你由知識和技能提升你的職業生涯,為你在 AI 世界中邁出決定性的一步提供了一條途徑。在此學習過程中,你還將獲得來自工業界和學術界的深度學習專家的職業建議。
應用的學習專案
到最後你將能夠
- 構建和訓練深度神經網路,實施向量化神經網路,識別架構參數,並將深度學習應用到你的應用程式
- 使用最佳實踐來訓練和開發測試集並分析偏差/方差以構建 DL 應用程式,使用標準 NN 技術,應用優化演算法,並在 TensorFlow 中實現神經網路
- 使用策略來減少 ML 系統中的錯誤,了解複雜的 ML 設置,並應用端到端、遷移和多任務學習
- 構建卷積神經網路,將其應用於視覺檢測和識別任務,使用神經風格遷移( neural style transfer )生成藝術,並將這些演算法應用於圖像、視訊和其他 2D/3D 資料
- 構建和訓練遞歸神經網路( RNN )及其變體(GRUs、LSTMs),將 RNNs 應用於字符級語言建模,使用 NLP 和詞嵌入,並使用 HuggingFace 標記器和轉換器來執行命名實體識別和問答
你將學到的內容
- 構建和訓練深度神經網路,識別關鍵架構參數,將向量化神經網路和深度學習應用到應用程式中
- 訓練測試集,分析 DL 應用程式的方差,使用標準技術和優化演算法,並在 TensorFlow 中構建神經網路
- 構建一個 CNN 並將其應用於檢測和識別任務,使用神經風格遷移生成藝術,並將演算法應用於圖像和視訊數據
- 構建和訓練 RNNs,使用 NLP 和詞嵌入,並使用 HuggingFace 標記器和轉換器模型來執行 NER 和問答
你將獲得的技能:
人工神經網路 | 卷積神經網路 | Tensorflow |
遞歸神經網路 | Transformers | 深度學習 |
反向傳播 | Python 程式設計 | 神經網路架構 |
數學最佳化 | 超參數 | 感應轉移 |
課程講師和資訊:


第 1 門課程 神經網路與深度學習
課程概述
如果你想進軍先進的AI,這個課程將幫助你達成。深度學習工程師受到高度的追捧,掌握深度學習將為你帶來無數新的就業機會。深度學習也是一個新的 “超級力量”,將讓你建立幾年前不可能實現的人工智能系統。在本課程中,你將學習深度學習的基礎。
完成這個課程後,你將:
- 了解驅動深度學習的主要技術趨勢
- 能夠建立、訓練和應用完全連接的深層神經網路
- 了解如何實現高效(向量化)神經網路
- 了解神經網路的架構中的關鍵參數
本課程還教你深度學習在實際上如何作用,而不是只提供粗略的或表面級的描述。所以在完成之後,你將能夠將深度學習應用到你自己的程式。如果你正在找 AI 領域的工作,完成本課程,你還可以回答基本的面試問題。這是深度學習專修的第一門課。
這是深度學習專修的第一門課。
第 1 週 : Introduction to deep learning
能夠解釋推動深度學習興起的主要趨勢,了解至今已應用在哪且如何應用。
第 2 週 : Neural Networks Basics
學習用神經網路思維設置機器學習問題。學習使用矢量化來加快你的模型。
第 3 週 : Shallow neural networks
學習用一個隱藏層建構一個神經網路,使用正向傳播和反向傳播。
第 4 週 : Deep Neural Networks
了解深度學習的關鍵計算,使用它們來建構和訓練深層神經網路,並將其應用於電腦視覺。

第 2 門課程 強化深層神經網路 : 超參數調校、規則化與優化
課程概述
本課程將教你讓深度學習能更好作用的“魔術”。不再覺得深度學習過程像個黑盒子,你將了解什麼驅動性能,並能夠更系統地獲得好的結果。你還將學習TensorFlow。
3週後,你將:
- 了解業界建立深入學習應用程式的最佳實踐。
- 能夠有效地使用常用的神經網路“技巧”,包括初始化、L2 和退出規則化(regularization)、批量正常化(normalization) 、梯度校驗(gradient checking)
- 能夠實現和應用各種優化演算法,如迷你批量梯度降冪、動量、RMSprop 和 Adam,並檢查其收斂狀況。
- 了解深度學習時代如何設置 訓練/開發/測試 集(sets)和分析 偏差/變異 的最佳實踐新法
- 能夠在 TensorFlow 中實現神經網路。
這是深度學習專修的第二門課。
第 1 週 : Practical aspects of Deep Learning
第 2 週 : Optimization algorithms
第 3 週 : Hyperparameter tuning, Batch Normalization and Programming Frameworks

第 3 門課程 結構化機器學習專案
課程概述
你將學習如何建立一個成功的機器學習專案。如果你希望成為AI的技術領導者,並且知道如何為團隊的工作確認方向,本課程將教你怎麼做。
這些內容中的大部分內容從來沒有在其他地方教過,並且來自於我開發和交付許多深入學習產品的經驗。本課程還有兩個“飛行模擬器”,可讓你以身為作機器學習專案負責人的角色做決策練習。這裡提供你需經過多年的ML工作經驗才能獲得的“業界經驗”。
2週後,你將:
- 了解如何診斷機器學習系統中的錯誤
- 有辦法看出最有前途的方向做好排序,減少錯誤
- 了解複雜的ML設定,例如不匹配的 訓練/測試 集,比較 和/或 超越人類水平的表現
- 了解如何應用端到端學習(end-to-end learning)、轉移學習和多任務學習
我過團隊因為不懂這門課所教的原理,浪費了好幾個月或幾年的時間。我希望這兩週的課程可以節省你幾個月的時間。
這是一個獨立的課程,只要你有基本的機器學習知識,你就可跳進來學這部分。
這是深度學習專修的第三門課。
第 1 週 : ML Strategy (1)
第 2 週 : ML Strategy (2)

第 4 門課程 卷積神經網路
課程概述
本課程將教你如何建構卷積神經網絡(convolutional neural networks)並將其應用於圖像資料。由於深度學習,電腦視覺的表現遠遠勝過兩年前,這產生許多令人興奮的應用程式,從安全的自動駕駛到準確的人臉識別,到放射學圖像的自動閱讀。
你將:
- 了解如何建構卷積神經網絡,包括最近的變化,如殘留網路(rasidual networks)。
- 知道如何將捲積網絡應用於視覺檢測和識別任務。
- 知道使用神經樣式轉移來產生藝術。
- 能夠將這些演算法應用於各種圖像、影片和其他2D或3D資料。

第 5 門課程 序列模型
課程概述
本課程教你如何建構自然語言、音頻和其他序列(sequence)數據的模型。由於深度學習,順序演算法的運作遠勝於兩年前,這產生許多令人興奮的應用程式:語音識別、音樂合成、聊天機器人、機器翻譯、自然語言理解等。
你將:
- 了解如何建構和訓練循環神經網絡(RNN)以及常用的變數,如GRU和LSTM。
- 能夠將序列模型應用於自然語言問題,包括文本合成(text synthesis)。
- 能夠將序列模型應用於音頻應用,包括語音識別和音樂合成。
這是深度學習專修的第五門也是最後一門課程。

deeplearning.ai還與 NVIDIA 深度學習研究院(DLI)在課程5序列模型中合作,通過深度學習提供機器翻譯的程式設計任務。 你將有機會利用尖端的行業相關內容建構深度學習專案。
到官方網站了解本課程與上課


你可能會有興趣
- Machine Learning
講師 Andrew Ng (吳恩達), Coursera共同創始人; 史丹佛大學客座教授; 前百度AI/Google Brain的負責人
你必須登入才能發表留言。