Ir al contenido principal

Introduction to Deep Learning

Learn how deep learning algorithms can be used to solve important engineering problems.

Hay una sesión disponible:

Una vez finalizada la sesión del curso, será archivado.
Comenzó el 23 ago
Termina el 19 dic
16 semanas estimadas
6–9 horas por semana
Al ritmo del instructor
Con un cronograma específico
Gratis
Verificación opcional disponible

Sobre este curso

Omitir Sobre este curso

This 3-credit-hour, 16-week course covers the fundamentals of deep learning. Students will gain a principled understanding of the motivation, justification, and design considerations of the deep neural network approach to machine learning and will complete hands-on projects using TensorFlow and Keras.

De un vistazo

  • Institución: PurdueX
  • Tema: Ingeniería
  • Nivel: Advanced
  • Prerrequisitos:

    This course is designed for students who have an undergraduate degree in electrical and computer engineering, computer science, or similar. Undergrauadate coursework in probabilistic methods in electrical and computer engineering and linear algebra is recommended before taking this course.

  • Idioma: English
  • Transcripción de video: English

Lo que aprenderás

Omitir Lo que aprenderás
  • Justify the development state-of-the-art deep learning algorithms.
  • Make design choices regarding the construction of deep learning algorithms.
  • Implement, optimize and tune state-of-the-art deep neural network architectures.
  • Identify and address the security aspects of state-of-the-art deep learning algorithms.
  • Examine open research problems in deep learning and propose approaches in the literature to tackle them.

Plan de estudios

Omitir Plan de estudios

Module 1: Introduction to Deep Feedforward Networks

    • Gradient-based learning
    • Sigmoidal output units
    • Back propagation

Module 2: Regularization for Deep Learning

    • Regularization strategies
    • Noise injection
    • Ensemble methods
    • Dropout

Module 3: Optimization for Training Deep Models

    • Optimization algorithms: Gradient, Hessian-Free, Newton
    • Momentum
    • Batch normalization

Module 4: Convolutional Neural Networks

    • Convolutional kernels
    • Downsampled convolution
    • Zero padding
    • Backpropagating convolution

Module 5: Recurrent Neural Networks

    • Recurrence relationship & recurrent networks
    • Long short-term memory (LSTM)
    • Back propagation through time (BPTT)
    • Gated and simple recurrent units
    • Neural Turing machine (NTM)

Acerca de los instructores

¿Quién puede hacer este curso?

Lamentablemente, las personas residentes en uno o más de los siguientes países o regiones no podrán registrarse para este curso: Irán, Cuba y la región de Crimea en Ucrania. Si bien edX consiguió licencias de la Oficina de Control de Activos Extranjeros de los EE. UU. (U.S. Office of Foreign Assets Control, OFAC) para ofrecer nuestros cursos a personas en estos países y regiones, las licencias que hemos recibido no son lo suficientemente amplias como para permitirnos dictar este curso en todas las ubicaciones. edX lamenta profundamente que las sanciones estadounidenses impidan que ofrezcamos todos nuestros cursos a cualquier persona, sin importar dónde viva.

¿Te interesa este curso para tu negocio o equipo?

Capacita a tus empleados en los temas más solicitados con edX para Negocios.