Willkommen zu diesem Kurs über Probabilistisches Deep Learning mit TensorFlow! Dieser Kurs baut auf den grundlegenden Konzepten und Fähigkeiten für TensorFlow auf, die in den ersten beiden Kursen dieser Spezialisierung vermittelt wurden, und konzentriert sich auf den probabilistischen Ansatz des Deep Learning. Dies ist ein zunehmend wichtiger Bereich des Deep Learning, der darauf abzielt, das Rauschen und die Ungewissheit zu quantifizieren, die oft in realen Datensätzen vorhanden sind. Dies ist ein entscheidender Aspekt beim Einsatz von Deep Learning-Modellen in Anwendungen wie autonomen Fahrzeugen oder medizinischen Diagnosen; das Modell muss wissen, was es nicht weiß. Sie werden lernen, wie Sie probabilistische Modelle mit TensorFlow entwickeln und dabei insbesondere die TensorFlow Probability-Bibliothek nutzen, die es Ihnen erleichtern soll, probabilistische Modelle mit Deep Learning zu kombinieren. Daher kann dieser Kurs auch als eine Einführung in die TensorFlow Probability Bibliothek angesehen werden. Sie werden lernen, wie Wahrscheinlichkeitsverteilungen dargestellt und in Deep Learning Modelle in TensorFlow integriert werden können, einschließlich Bayes'scher neuronaler Netze, normalisierender Flows und variierender Autocoder. Sie werden lernen, wie man Modelle zur Quantifizierung von Unsicherheiten entwickelt, sowie generative Modelle, die neue Stichproben erzeugen können, die denjenigen im Datensatz ähnlich sind, wie z.B. Bilder von Gesichtern berühmter Persönlichkeiten. Sie werden die Konzepte, die Sie lernen, sofort in die Praxis umsetzen, und zwar in praktischen Programmierübungen, durch die Sie von einem Lehrassistenten angeleitet werden. Am Ende des Kurses werden Sie viele der erlernten Konzepte in einem Capstone-Projekt zusammenführen, in dem Sie einen Variations-Autoencoder-Algorithmus entwickeln werden, um ein generatives Modell eines synthetischen Bilddatensatzes zu erstellen, den Sie selbst erstellen werden.
Probabilistisches Deep Learning mit TensorFlow 2
Dieser Kurs ist Teil von Spezialisierung TensorFlow 2 für Deep Learning
Dozent: Dr Kevin Webster
13.738 bereits angemeldet
Bei enthalten
(105 Bewertungen)
Empfohlene Erfahrung
Kompetenzen, die Sie erwerben
- Kategorie: Generatives Modell
- Kategorie: Tensorflow
- Kategorie: Probabilistische Programmiersprache (PRPL)
- Kategorie: Deep Learning
- Kategorie: Probabilistisches neuronales Netzwerk
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
4 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- 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
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.
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
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Johns Hopkins University
DeepLearning.AI
Google Cloud
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
105 Bewertungen
- 5 stars
80 %
- 4 stars
12,38 %
- 3 stars
4,76 %
- 2 stars
0,95 %
- 1 star
1,90 %
Zeigt 3 von 105 an
Geprüft am 26. Juli 2021
A really valuable learning experience. With these courses, I now feel confident that I can apply the skills from the Deep Learning Specialization in a practical setting.
Geprüft am 1. Juli 2022
Very easy understanding, great for getting practice on TF probability
Geprüft am 28. Dez. 2020
Very good. Liked this course a lot, even though I recognize I should have had a better a background before taking it.
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - 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
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.