Описание
Stanford CS230: Глубокое обучение — это курс, предназначенный для глубокого понимания принципов и практик глубокого обучения. Курс охватывает широкий спектр тем, включая нейронные сети, свёрточные сети, RNN, LSTM и методы оптимизации, такие как Adam, Dropout и BatchNorm. Курс структурирован в формате перевёрнутого класса, с очными лекциями, проводимыми еженедельно в Учебном центре Хьюлетта. Ожидается, что студенты будут взаимодействовать с видео-лекциями, программными заданиями и тестами на Coursera. Курс также включает промежуточный экзамен и финальный проект, который является значительной частью оценки. Студенты будут работать над проектами с персонализированным руководством от ассистентов, что обеспечит успешную реализацию проектов глубокого обучения. Предварительные требования включают знакомство с теорией вероятностей, статистикой, наукой о данных и линейной алгеброй. Курс акцентирует внимание на практическом обучении, с секциями, проводимыми ассистентами, которые предоставляют практические советы и теоретические основы. Оценивание разбито на финальный проект, промежуточный экзамен, программные задания, тесты и посещаемость. Студенты поощряются к сотрудничеству, но должны соблюдать Кодекс чести Стэнфорда, обеспечивая, чтобы вся представленная работа была их собственной. Курс подходит для тех, кто хочет углубить свои знания в области ИИ и машинного обучения, с акцентом на практическое применение и проектное обучение.
- КатегорияAI-конструкторы курсов
- Модель ценообразованияБесплатно
Основные функции Stanford CS230: Глубокое обучение
Основы глубокого обучения
Создание нейронных сетей
Понимание проектов машинного обучения
Свёрточные сети
RNN и LSTM
Методы оптимизации
Формат перевёрнутого класса
Проектное обучение
Как использовать Stanford CS230: Глубокое обучение?
Записаться: Зарегистрироваться на курс
Доступ: Присоединиться к лекциям и онлайн-курсам
Участвовать: Участвовать в тестах и заданиях
Завершить: Закончить финальный проект
Варианты использования Stanford CS230: Глубокое обучение
- Основы глубокого обучения
- Продвинутые нейронные сети
- Проектное обучение
- Методы оптимизации
- Перевёрнутый класс
