Über diesen Kurs
27,618 recent views

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Stufe „Mittel“

Ca. 14 Stunden zum Abschließen

Empfohlen: 4 weeks of study, 2-5 hours/week...

Englisch

Untertitel: Englisch

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Stufe „Mittel“

Ca. 14 Stunden zum Abschließen

Empfohlen: 4 weeks of study, 2-5 hours/week...

Englisch

Untertitel: Englisch

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche
1
8 Stunden zum Abschließen

Simple Introduction to Machine Learning

The focus of this module is to introduce the concepts of machine learning with as little mathematics as possible. We will introduce basic concepts in machine learning, including logistic regression, a simple but widely employed machine learning (ML) method. Also covered is multilayered perceptron (MLP), a fundamental neural network. The concept of deep learning is discussed, and also related to simpler models.

...
23 Videos (Gesamt 164 min), 1 Lektüre, 10 Quiz
23 Videos
What Is Machine Learning?5m
Logistic Regression9m
Interpretation of Logistic Regression9m
Motivation for Multilayer Perceptron4m
Multilayer Perceptron Concepts5m
Multilayer Perceptron Math Model6m
Deep Learning6m
Example: Document Analysis3m
Interpretation of Multilayer Perceptron9m
Transfer Learning5m
Model Selection7m
Early History of Neural Networks14m
Hierarchical Structure of Images6m
Convolution Filters9m
Convolutional Neural Network3m
CNN Math Model6m
How the Model Learns8m
Advantages of Hierarchical Features4m
CNN on Real Images9m
Applications in Use and Practice10m
Deep Learning and Transfer Learning7m
Introduction to TensorFlow3m
1 Lektüren
Math for Data Science10m
10 praktische Übungen
Intro to Machine Learning8m
Logistic Regression8m
Multilayer Perceptron8m
Deep Learning8m
Model Selection8m
History of Neural Networks8m
CNN Concepts10m
CNN Math Model4m
Applications In Use and Practice
Week 1 Comprehensive
Woche
2
3 Stunden zum Abschließen

Basics of Model Learning

In this module we will be discussing the mathematical basis of learning deep networks. We’ll first work through how we define the issue of learning deep networks as a minimization problem of a mathematical function. After defining our mathematical goal, we will introduce validation methods to estimate real-world performance of the learned deep networks. We will then discuss how gradient descent, a classical technique in optimization, can be used to achieve this mathematical goal. Finally, we will discuss both why and how stochastic gradient descent is used in practice to learn deep networks.

...
6 Videos (Gesamt 44 min), 3 Quiz
6 Videos
How Do We Evaluate Our Networks?12m
How Do We Learn Our Network?7m
How Do We Handle Big Data?10m
Early Stopping2m
Model Learning with TensorFlow49
3 praktische Übungen
Lesson One10m
Lesson 210m
Week 2 Comprehensive
Woche
3
3 Stunden zum Abschließen

Image Analysis with Convolutional Neural Networks

This week will cover model training, as well as transfer learning and fine-tuning. In addition to learning the fundamentals of a CNN and how it is applied, careful discussion is provided on the intuition of the CNN, with the goal of providing a conceptual understanding.

...
8 Videos (Gesamt 45 min), 4 Quiz
8 Videos
Breakdown of the Convolution (1D and 2D)8m
Core Components of the Convolutional Layer7m
Activation Functions4m
Pooling and Fully Connected Layers4m
Training the Network6m
Transfer Learning and Fine-Tuning4m
CNN with TensorFlow52
4 praktische Übungen
Lesson One10m
Lesson 210m
Lesson 36m
Week 3 Comprehensive
Woche
4
4 Stunden zum Abschließen

Introduction to Natural Language Processing

This week will cover the application of neural networks to natural language processing (NLP), from simple neural models to the more complex. The fundamental concept of word embeddings is discussed, as well as how such methods are employed within model learning and usage for several NLP applications. A wide range of neural NLP models are also discussed, including recurrent neural networks, and specifically long short-term memory (LSTM) models.

...
13 Videos (Gesamt 136 min), 4 Quiz
13 Videos
Words to Vectors7m
Example of Word Embeddings11m
Neural Model of Text14m
The Softmax Function7m
Methods for Learning Model Parameters9m
More Details on How to Learn Model Parameters6m
The Recurrent Neural Network11m
Long Short-Term Memory20m
Long Short-Term Memory Review11m
Use of LSTM for Text Synthesis9m
Simple and Effective Alternative Methods for Neural NLP15m
Natural Language Processing with TensorFlow41
4 praktische Übungen
Lesson 12m
Lesson 22m
Lesson 32m
Week 4 Comprehensive30m
4.7
17 BewertungenChevron Right

Top reviews from Introduction to Machine Learning

von AUNov 12th 2018

I like this introductory course, very good one to start to learn machine learning. I will definitely continue studying and re-watch the videos.

von UTMay 17th 2019

Excellent introduction in to machine learning and paced ideally to keep the interest throughout the course. Ignites interest to the field.

Dozenten

Avatar

Lawrence Carin

James L. Meriam Professor of Electrical and Computer Engineering
Electrical and Computer Engineering

Über Duke University

Duke University has about 13,000 undergraduate and graduate students and a world-class faculty helping to expand the frontiers of knowledge. The university has a strong commitment to applying knowledge in service to society, both near its North Carolina campus and around the world....

Häufig gestellte Fragen

  • Sobald Sie sich für ein Zertifikat angemeldet haben, haben Sie Zugriff auf alle Videos, Quizspiele und Programmieraufgaben (falls zutreffend). Aufgaben, die von anderen Kursteilnehmern bewertet werden, können erst dann eingereicht und überprüft werden, wenn Ihr Unterricht begonnen hat. Wenn Sie sich den Kurs anschauen möchten, ohne ihn zu kaufen, können Sie womöglich auf bestimmte Aufgaben nicht zugreifen.

  • Wenn Sie ein Zertifikat erwerben, erhalten Sie Zugriff auf alle Kursmaterialien, einschließlich bewerteter Aufgaben. Nach Abschluss des Kurses wird Ihr elektronisches Zertifikat zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.

Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..