|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/deep-neural-network-fr
课程评论：没有评论
课程名称：提升深度神经网络 课程概述：本课程让您探索支撑深度学习高效性的“魔法”。通过理解深度学习的运作机制，您将不再把其视为黑箱，而是能够明确影响性能的因素，从而更系统地获得良好的结果。同时，您将学习使用TensorFlow。 在为期三周的课程中，您将能够： - 理解深度学习应用构建的行业最佳实践。 - 有效运用神经网络的一些“技巧”，包括初始化、L2正则化、丢弃正则化、批量归一化和梯度检查。 - 实施各种优化算法，如小批量梯度下降、动量法、RMSprop和Adam，并掌控其收敛性。 - 在深度学习时代，了解最佳实践轮转训练/开发/测试集的配置及分析偏差/方差。 - 在TensorFlow中实现一个神经网络。 这门课程是深度学习专项课程的第二门课程。 课程大纲： - 部分1：深度学习的实用方面 - 部分2：优化算法 - 部分3：超参数调优、批量归一化与编程框架
Part: 1
Title:Aspects pratiques de l’apprentissage profond
Description:
Part: 2
Title:Algorithmes d’optimisation
Description:
Part: 3
Title:Réglage des hyper-paramètres, normalisation des lots et cadres de programmation
Description:
Dans ce cours, vous apprendrez la "magie" qui permet l'efficacité de l’apprentissage profond. Plutôt que de voir le processus d’apprentissage profond comme une boîte noire, vous comprendrez ce qui commande la performance et vous pourrez ainsi obtenir systématiquement de bons résultats plus souvent. Vous apprendrez également TensorFlow. Au bout de 3 semaines, vous: - Pourrez comprendre les meilleures pratiques dans le secteur de construction des applications d’apprentissage profond. - Serez en mesure d’utiliser avec efficacité des "astuces", communes des réseaux neuronaux, qui incluent l’initialisation, la régularisation L2 et la régularisation du décrochage, la normalisation par lots, la vérification de gradients, - Pourrez mettre en œuvre et employer une variété d’algorithmes d’optimisation, comme par exemple la descente de gradients par mini-lots, le momentum, RMSprop et Adam, et contrôler leur convergence. - Comprendrez, à l’ère de l’apprentissage profond, les nouvelles meilleures pratiques sur la configuration des ensembles train/dev/test et comment analyser les biais/variances - Pourrez implémenter un réseau neuronal dans TensorFlow. Ceci est le deuxième cours de spécialisation en apprentissage profond.
