Imperial College London
Probabilistisches Deep Learning mit TensorFlow 2
Imperial College London

Probabilistisches Deep Learning mit TensorFlow 2

13.623 bereits angemeldet

Bei Coursera Plus enthalten

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.7

(102 Bewertungen)

Stufe Fortgeschritten

Empfohlene Erfahrung

Es dauert 52 Stunden
3 Wochen bei 17 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.7

(102 Bewertungen)

Stufe Fortgeschritten

Empfohlene Erfahrung

Es dauert 52 Stunden
3 Wochen bei 17 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen

Kompetenzen, die Sie erwerben

  • Kategorie: Generatives Modell
  • Kategorie: Tensorflow
  • Kategorie: Probabilistische Programmiersprache (PRPL)
  • Kategorie: Deep Learning
  • Kategorie: Probabilistisches neuronales Netzwerk

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

4 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung TensorFlow 2 für Deep Learning
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • Lernen Sie neue Konzepte von Branchenexperten
  • Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
  • Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
  • Erwerben Sie ein Berufszertifikat zur Vorlage
Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 5 Module

Die probabilistische Modellierung ist ein leistungsfähiger und prinzipientreuer Ansatz, der einen Rahmen bietet, um die Unsicherheit in den Daten zu berücksichtigen. Die TensorFlow Probability (TFP) Bibliothek bietet Werkzeuge für die Entwicklung probabilistischer Modelle, die die Fähigkeiten von TensorFlow erweitern. In dieser ersten Woche des Kurses werden Sie lernen, wie Sie die Verteilungsobjekte in TFP verwenden und die wichtigsten Methoden zur Stichprobenziehung und Berechnung von Wahrscheinlichkeiten aus diesen Verteilungen kennenlernen. Sie werden auch lernen, wie Sie diese Verteilungen trainierbar machen können. In der Programmieraufgabe dieser Woche werden Sie diese Techniken in die Praxis umsetzen, indem Sie einen Naive Bayes-Klassifikator für den Iris-Datensatz implementieren.

Das ist alles enthalten

14 Videos4 Lektüren1 Aufgabe1 Programmieraufgabe1 Diskussionsthema8 Unbewertete Labore1 Plug-in

Die Berücksichtigung von Unsicherheitsquellen ist ein wichtiger Aspekt des Modellierungsprozesses, insbesondere bei sicherheitskritischen Anwendungen wie medizinischen Diagnosen. Die meisten Standardmodelle für Deep Learning quantifizieren die Unsicherheit in ihren Vorhersagen nicht. In dieser Woche werden Sie lernen, wie Sie probabilistische Schichten von TensorFlow Probability verwenden können, um Deep Learning-Modelle zu entwickeln, die in der Lage sind, die Unsicherheit sowohl in den Daten als auch im Modell selbst zu messen. In der Programmieraufgabe dieser Woche werden Sie ein Bayes'sches CNN für die MNIST- und MNIST-C-Datensätze entwickeln.

Das ist alles enthalten

11 Videos1 Aufgabe1 Programmieraufgabe7 Unbewertete Labore

Normalisierende Flows sind eine leistungsstarke Klasse generativer Modelle, die darauf abzielen, die zugrunde liegende Datenverteilung zu modellieren, indem sie eine einfache Basisverteilung durch eine Reihe von bijektiven Transformationen umwandeln. In dieser Woche werden Sie lernen, wie Sie Bijektor-Objekte aus der TensorFlow Probability Bibliothek verwenden, um diese Transformationen zu implementieren und eine komplexe transformierte Verteilung aus Daten zu lernen. Diese Modelle können verwendet werden, um neue Datengenerationen zu testen und die Wahrscheinlichkeit von Datenbeispielen zu bewerten. In der Programmieraufgabe dieser Woche werden Sie ein RealNVP-Normalisierungsflussmodell für den LSUN-Schlafzimmerdatensatz entwickeln.

Das ist alles enthalten

12 Videos1 Aufgabe1 Programmieraufgabe8 Unbewertete Labore

Variationale Autoencoder sind eine der beliebtesten Arten von Likelihood-basierten generativen Deep Learning-Modellen. Beim VAE-Algorithmus werden zwei Netzwerke gemeinsam erlernt: ein Encoder oder Inferenznetzwerk sowie ein Decoder oder generatives Netzwerk. In dieser Woche werden Sie lernen, wie Sie VAE mit der TensorFlow Probability Bibliothek implementieren können. Anschließend werden Sie die trainierten Netzwerke verwenden, um Datenbeispiele in einen komprimierten latenten Raum zu kodieren sowie neue Stichproben aus der prioren Verteilung und dem Decoder zu generieren. In der Programmieraufgabe dieser Woche werden Sie den Variational Autoencoder für einen Bilddatensatz mit prominenten Gesichtern entwickeln.

Das ist alles enthalten

10 Videos1 Aufgabe1 Programmieraufgabe8 Unbewertete Labore

In diesem Kurs haben Sie gelernt, wie man probabilistische Deep Learning Modelle mit Hilfe von Werkzeugen und Konzepten aus der TensorFlow Probability Bibliothek entwickelt, z.B. Verteilungsobjekte, probabilistische Schichten, Bijektoren und KL-Divergenzoptimierung. Das Capstone Project bringt viele dieser Konzepte mit einer Aufgabe zusammen, bei der es darum geht, einen synthetischen Bilddatensatz mit Hilfe von normalisierenden Flows zu erstellen und einen Variational Autoencoder auf dem Datensatz zu trainieren.

Das ist alles enthalten

2 Videos1 peer review1 Unbewertetes Labor1 Plug-in

Dozent

Lehrkraftbewertungen
4.7 (32 Bewertungen)
Dr Kevin Webster
Imperial College London
6 Kurse44.681 Lernende

von

Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

Zeigt 3 von 102

4.7

102 Bewertungen

  • 5 stars

    81,37 %

  • 4 stars

    11,76 %

  • 3 stars

    3,92 %

  • 2 stars

    0,98 %

  • 1 star

    1,96 %

MD
5

Geprüft am 26. Juli 2021

VV
5

Geprüft am 1. Juli 2022

PM
4

Geprüft am 15. Feb. 2022

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Häufig gestellte Fragen