University of Colorado Boulder

Introduction to Deep Learning

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues. Consultez les langues disponibles.
University of Colorado Boulder

Introduction to Deep Learning

Ce cours fait partie de Spécialisation "Machine Learning: Theory and Hands-on Practice with Python"

Daniel E. Acuna

Instructeur : Daniel E. Acuna

2 453 déjà inscrits

Inclus avec Coursera PlusEn savoir plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

19 avis

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter
à 10 heures par semaine
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

19 avis

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter
à 10 heures par semaine

Ce que vous apprendrez

  • Explain the mathematical foundations of neural networks and how they learn from data.

  • Train and regularize deep neural networks for effective generalization.

  • Design and apply specialized neural network architectures for images and sequences.

  • Apply transformer-based and multimodal models to real-world scenarios.

Compétences que vous acquerrez

  • Catégorie : Model Training
  • Catégorie : Model Optimization
  • Catégorie : Large Language Modeling
  • Catégorie : Fine-tuning
  • Catégorie : Machine Learning Methods
  • Catégorie : Embeddings
  • Catégorie : Network Architecture
  • Catégorie : Recurrent Neural Networks (RNNs)

Outils que vous découvrirez

  • Catégorie : Generative AI
  • Catégorie : Vision Transformer (ViT)

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

6 devoirs

Enseigné en Anglais
Planning flexible
Apprenez à votre propre rythme

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires
logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Machine Learning: Theory and Hands-on Practice with Python"
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • Apprenez de nouveaux concepts auprès d'experts du secteur
  • Acquérez une compréhension de base d'un sujet ou d'un outil
  • Développez des compétences professionnelles avec des projets pratiques
  • Obtenez un certificat professionnel partageable

Il y a 5 modules dans ce cours

Welcome to Introduction to Deep Learning. This module builds the mathematical foundations of neural networks. Starting from linear models, you will learn about the artificial neuron and develop the mathematics of gradient descent and backpropagation. The focus is on understanding how and why neural networks work through the underlying math—covering the forward pass, loss functions, and the chain rule to show how information flows through networks and how they learn from data.

Inclus

15 vidéos6 lectures2 devoirs1 devoir de programmation

This module focuses on training neural networks effectively. Topics include optimization algorithms, hyperparameter tuning, and regularization techniques to prevent overfitting and achieve good generalization. You will compare different optimizers like SGD, momentum, and Adam, understand how learning rate and batch size affect training dynamics, and apply weight decay, dropout, early stopping, and batch normalization.

Inclus

7 vidéos2 lectures1 devoir1 devoir de programmation

This module introduces you to convolutional neural networks (CNNs), the foundation of modern computer vision. Topics include how convolutional and pooling layers work, CNN architecture design, and practical techniques like data augmentation and transfer learning. The module covers classic architectures like VGG and ResNet and explains why CNNs outperform fully-connected networks on image data.

Inclus

7 vidéos2 lectures1 devoir1 devoir de programmation

This module covers sequence modeling, starting with recurrent neural networks (RNNs) and long short-term memory networks (LSTMs), then progressing to the attention mechanism—the key innovation that led to transformers. Topics include how RNNs maintain hidden states across time steps, why the vanishing gradient problem motivated LSTMs, and how attention allows models to focus on relevant parts of their input.

Inclus

7 vidéos1 lecture1 devoir1 devoir de programmation

This final module covers the transformer architecture, which has revolutionized deep learning across domains. Topics include BERT and GPT as encoder-only and decoder-only variants, Vision Transformers (ViT) that apply attention to images, and CLIP for multimodal learning connecting vision and language. The module emphasizes applying pre-trained models to real tasks.

Inclus

8 vidéos1 lecture1 devoir1 devoir de programmation

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Daniel E. Acuna
University of Colorado Boulder
3 Cours7 084 apprenants

Offert par

University of Colorado Boulder

En savoir plus sur Machine Learning

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Foire Aux Questions

Plus de questions

Aide financière disponible,