Kurser i djupinlärning
Välj en kurs som passar dina mål – från grunderna till avancerade färdigheter inom djupinlärning.
5.0
Betygsatt efter 3 recensioner.
36 LärandeRedan inskriven
Förvärvade färdigheter:
AI Transparency AwarenessActivation Function AnalysisAdversarial Training ConceptsAlgorithm Evaluation and ComparisonAnalys av rättvisa och partiskhetAnalyzing GAN Training ChallengesAnomaly detection evaluation Ansvar inom AIApproximation TheoryAttention Mechanisms TheoryAutoregressive GenerationBayes satsBearbetning av tidsserier och sekventiell dataBegrepp om datasekretessBegrepp om multi-head attentionBildbehandling med OpenCVByggande av pipelinesCatastrophic Forgetting AnalysisChain-of-thought promptingClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Clustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Compression Trade-off ReasoningContinual Learning TheoryCritical Analysis of NTK LimitationsCross-validation techniquesData Leakage PreventionDatapreprocesseringDatastädningDatatransformationDetektion av avvikande värdenDiffusion Model TheoryDiffusionsmodellerDimensionality reduction evaluation Distributional Analysis of Neural NetworksDocument Chunking and IndexingDrift Detection FundamentalsEntropy and CompressionEntropy and Rate–Distortion AnalysisEthical AI PrinciplesEtiskt beslutsfattandeExplainable AI FundamentalsExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFeature ScalingFeature engineeringFeature selectionFew-shot promptingFine-tuning Pre-trained ModelsFunktioner & mängderFörfining av promptsFörståelse för RNN, LSTM och GRUFörståelse för transformerarkitekturGANGAN FundamentalsGaussian Process CorrespondenceGenerativ AIGeometric InterpretabilityGradientnedstigningGrundläggande AI-etikGrundläggande prompt engineeringGränsvärden & derivatorHelhetsutveckling och utvärdering av modellerImplementering av rekurrenta nätverk i PyTorchImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImputering av saknade värdenIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesIntegralerIntuition för self-attentionIsolation Forest ImplementationJustering av hyperparametrarKernel Regression DynamicsKnowledge Distillation TheoryKnowledge Integration in LLMsKodning av variablerKolmogorov–Smirnov TestKonvolutionella neurala nätverkLLM Failure ModesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer-wise Representation AnalysisLimits of LLM GeneralizationLinear Algebra for Deep LearningLinjär transformationLocal Outlier Factor AnalysisLoss Function Selection and ComparisonLow-Rank Matrix IntuitionManifold IntuitionMarkov Chains in Generative ModelingMaskininlärning med scikit-learnMatematisk grund för uppmärksamhetMathematical Formulation of GANsMathematical Foundations of Loss FunctionsMatrisuppdelningMaximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMinimum-Norm SolutionsModel Scaling ConceptsModel-Based Drift DetectionModelltolkningModellträning och utvärderingMonitoring Model DegradationMulti-Head AttentionNLP med TransformersNatural Language HandlingNatural Language ProcessingNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeurala nätverkNormalization (L1, L2, Max)ODE Formulations in Generative ModelsObjektdetekteringsmetoderOne-Class SVM for Novelty DetectionOptimization Constraints in Fine-TuningOptimization in Neural NetworksOutlier Detection FundamentalsPEFT Deployment ReasoningPEFT TheoryParameter Space GeometryPopulation Stability IndexPositional Encoding ConceptsPositionell kodningPreprocessing PipelinesPrinciper för transparensPrompt-Based GeneralizationPyTorch-grunderPython-datastrukturerPython-implementering av TransformersQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRamar för ansvarsfull AIRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regulatorisk medvetenhetRetrieval-Augmented Generation FundamentalsRisk Minimization TheoryRoll- och kontextbaserad promptingSampling StrategiesSannolikhetsfördelningarSannolikhetsreglerScore MatchingSelf-Attention MechanismSelf-Attention-mekanismSemantic Directions in LLMsSemantic Retrieval ConceptsSerieanalysSkalning av variablerStability–Plasticity Trade-OffsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistiska måttStochastic Differential Equations (SDEs)Strukturerad utformning av utdataSubword Tokenization AlgorithmsTensorFlow-grunderTeori om uppmärksamhetsmekanismerTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTillämpning av RNN på NLP-uppgifter (sentimentanalys)Tokenization TheoryTrade-off Analysis in Model DesignTraining Dynamics in Mean Field RegimesTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformer Architecture TheoryTransformer-arkitekturTransformersUnderstanding GAN VariantsUnderstanding Representation CollapseUtvärdering av promptsUtvärderingsmetoder för Generativ AIVAEVariational Inference & ELBOVector Search TheoryVektorer & matriserVocabulary OptimizationWhitening and DecorrelationXAI Methods and Concepts
Visa merTa ett kort quiz och kom närmare dina mål!
80,000
Studenterna har redan framgångsrikt genomfört kurserna och använder sina färdigheter på jobbet
92%
Användare finner våra kurser användbara
Kurser
Kurser
Utforska Djupinlärning kurser och projekt
2 timmar
16 kapitel
1 timme 15 kapitel
2 timmar 19 kapitel
2 timmar 12 kapitel
2 timmar 9 kapitel
2 timmar 9 kapitel
2 timmar 9 kapitel
2 timmar 15 kapitel
2 timmar 9 kapitel
5 timmar 51 kapitel
2 timmar 9 kapitel
2 timmar 10 kapitel
Nivå
Lektionstyp
Teknologier
kurs
Evaluation Metrics in Machine Learning with Python
2 timmar 16 kapitelMedelnivå
Förvärvade kunskaper: Classification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) , Regression metrics (MSE, RMSE, MAE, R²) , Clustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) , Dimensionality reduction evaluation , Anomaly detection evaluation , Cross-validation techniques
kurs
Explainable AI (XAI) Basics
1 timme 15 kapitelNybörjare
Förvärvade kunskaper: Explainable AI Fundamentals, XAI Methods and Concepts, Ethical AI Principles, AI Transparency Awareness
kurs
Feature Scaling and Normalization in Python
2 timmar 19 kapitelNybörjare
Förvärvade kunskaper: Feature Scaling, Mean-Centering, Standardization, Normalization (L1, L2, Max), Whitening and Decorrelation, Preprocessing Pipelines, Data Leakage Prevention
kurs
Generative Adversarial Networks Basics
2 timmar 12 kapitelMedelnivå
Förvärvade kunskaper: GAN Fundamentals, Adversarial Training Concepts, Mathematical Formulation of GANs, Understanding GAN Variants, Analyzing GAN Training Challenges
kurs
Handling Data Drift in Production
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Drift Detection Fundamentals, Statistical Drift Metrics, Kolmogorov–Smirnov Test, Population Stability Index, Model-Based Drift Detection, Monitoring Model Degradation
kurs
Implicit Bias of Learning Algorithms
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Implicit Bias in Machine Learning, Inductive Bias, Minimum-Norm Solutions, Maximum-Margin Solutions, Implicit Regularization in Deep Networks
kurs
Latent Space Geometry in LLMs
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Latent Space Geometry, Manifold Intuition, Semantic Directions in LLMs, Layer-wise Representation Analysis, Understanding Representation Collapse, Geometric Interpretability
kurs
Loss Functions in Machine Learning
2 timmar 15 kapitelMedelnivå
Förvärvade kunskaper: Mathematical Foundations of Loss Functions, Risk Minimization Theory, Regression Loss Analysis, Classification Loss Analysis, Information-Theoretic Losses, Loss Function Selection and Comparison
kurs
Mathematical Foundations of Neural Networks
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Neural Network Theory, Linear Algebra for Deep Learning, Activation Function Analysis, Approximation Theory, Expressivity of Neural Networks
kurs
Matematik för Data Science
5 timmar 51 kapitelNybörjare
Förvärvade kunskaper: Funktioner & mängder, Serieanalys, Gränsvärden & derivator, Integraler, Gradientnedstigning, Vektorer & matriser, Linjär transformation, Matrisuppdelning, Sannolikhetsregler, Bayes sats, Statistiska mått, Sannolikhetsfördelningar
kurs
Mean Field Theory for Neural Networks
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Mean Field Theory in Neural Networks, Distributional Analysis of Neural Networks, Large-Width Limit Theory, Training Dynamics in Mean Field Regimes, Theoretical Deep Learning Insights
kurs
Neurala Nätverks Uppmärksamhetsmekanismer
2 timmar 10 kapitelAvancerad
Förvärvade kunskaper: Teori om uppmärksamhetsmekanismer, Intuition för self-attention, Begrepp om multi-head attention, Förståelse för transformerarkitektur, Matematisk grund för uppmärksamhet
Fördelar med Codefinity
AI-assisterat lärande
Omfamna fascinationen för tekniska färdigheter! Vår AI-assistent ger feedback i realtid, personliga tips och felanalyser, vilket gör att du kan lära dig med självförtroende.
Arbetsytor
Med Arbetsytor kan du skapa och dela projekt direkt på vår plattform. Vi har förberett mallar för din bekvämlighet
Lärvägar
Ta kontroll över din karriärutveckling och inled din resa mot att bemästra de senaste teknologierna
Verkliga projekt
Verkliga projekt lyfter din portfölj och visar praktiska färdigheter för att imponera på potentiella arbetsgivare
Varför Codefinity sticker ut
Videoinnehåll
Nedladdningsbart material
Respekterade certifikat
Interaktivt inlärningsmiljö
Felkorrigering
AI-assistent
Tillgång till allt innehåll med ett abonnemang
Codefinity
Videobaserade inlärningsplattformar
Codefinity
Videobaserade inlärningsplattformar
Videoinnehåll
Nedladdningsbart material
Respekterade certifikat
Interaktivt inlärningsmiljö
Felkorrigering
AI-assistent
Tillgång till allt innehåll med ett abonnemang
KarriärmöjligheterLär dig om de mest populära yrkena, genomsnittliga löner och företag som aktivt söker specialister inom detta område.
Data Scientist
Maskininlärningsingenjör
NLP-Ingenjör
AI-Konsult
Djupinlärningsingenjör
$149k
$197k
$246k
Min
Average
Max
Årlig lön
(Genomsnitt i USA)
Anställande företag
*Källa: Glassdoor
Valt av studenter från de allra bästa skolorna
Inkluderar 30 av de 30 absolut bästa högskolorna i USA
Kurser i djupinlärning: Nyckelinformation och frågor
Introduktion till Deep Learning
Deep Learning är en underkategori av maskininlärning som fokuserar på neurala nätverk med många lager, vilket gör det möjligt för modeller att lära sig från stora datamängder. Kurser inom deep learning introducerar vanligtvis begrepp som bildigenkänning, naturlig språkbehandling (NLP) och generativa modeller. Studenter lär sig arbeta med ramverk som TensorFlow och PyTorch samt hantera uppgifter som bildsyntes, textgenerering och datadrivna beslutsprocesser. Dessa kurser är värdefulla för den som vill bygga expertis inom AI-drivna teknologier.
Fördelar med våra Deep Learning-kurser
Våra Deep Learning-kurser erbjuder omfattande, praktisk utbildning i de senaste teknikerna och verktygen som används inom industrin. Du får praktisk erfarenhet av verkliga datamängder, vilket förbättrar din problemlösningsförmåga och tekniska kompetens för att förbereda dig för avancerade karriärer inom teknik.
Karriärmöjligheter efter avslutad Deep Learning-kurs
Utexaminerade från våra Deep Learning-kurser kan arbeta som data scientists, maskininlärningsingenjörer, AI-forskare eller deep learning-specialister inom branscher som sträcker sig från sjukvård till autonoma fordon.
Alternativ inom Deep Learning
Nybörjare som är intresserade av Deep Learning bör börja med "Introduktion till neurala nätverk" för att förstå grundläggande begrepp och tillämpningar innan de går vidare till mer avancerade studier.
Certifikatinformation
Efter att ha slutfört en Deep Learning-kurs hos Codefinity får du ett intyg om genomförande, vilket stärker ditt CV och erkänns av ledande aktörer inom branschen som ett bevis på din kompetens och ditt engagemang för lärande.
Vad är Deep Learning och varför är det viktigt?
Deep Learning är en underkategori av maskininlärning som använder neurala nätverk med tre eller fler lager. Det är viktigt eftersom det möjliggör automatisering av prediktiv analys och är en avgörande teknik inom AI som driver innovationer som autonoma fordon, ansiktsigenkänningssystem och mycket mer.
Vilka är fördelarna med att anmäla sig till våra Deep Learning-kurser?
Att anmäla sig till våra Deep Learning-kurser ger dig möjlighet att lära av branschexperter, få praktisk erfarenhet av toppmoderna verktyg och ta del av en läroplan som kontinuerligt uppdateras med de senaste tekniska framstegen. Kurserna är utformade för att ge djup förståelse och praktiska färdigheter som krävs för att hantera komplexa problem med Deep Learning.
Vilka karriärmöjligheter kan jag utforska efter att ha slutfört en Deep Learning-kurs?
Efter att ha slutfört en Deep Learning-kurs kan du utforska olika eftertraktade karriärvägar inom tekniksektorn, inklusive roller som AI-forskare, ingenjör inom autonoma system, deep learning-analytiker eller roller med fokus på AI-applikationer inom hälso- och sjukvård samt finansiella tjänster.
Vilken Deep Learning-kurs passar bäst för nybörjare?
För nybörjare ger "Introduktion till neurala nätverk" en utmärkt introduktion till begreppen kring djupa neurala nätverk på ett visuellt engagerande sätt. Det är en perfekt start för den som är ny inom området.
Hur väljer jag rätt Deep Learning-kurs?
För att välja rätt Deep Learning-kurs bör du bedöma din nuvarande kunskapsnivå och dina lärandemål. Om du är mer intresserad av de tekniska grunderna och praktiska tillämpningarna av neurala nätverk är vår kurs "Introduktion till neurala nätverk" på mellannivå utmärkt. För dig som vill fördjupa dig i avancerade maskininlärningsramverk erbjuder "Introduktion till TensorFlow" och "PyTorch Essentials" en komplex och detaljerad genomgång som passar avancerade studenter.
Varför bör jag överväga att gå en onlinekurs i Deep Learning hos ert företag?
Att gå en onlinekurs i Deep Learning hos Codefinity ger flexibilitet att studera i din egen takt och på dina villkor, tillgång till det senaste innehållet samt stöd från ett nätverk av experter och andra studenter, vilket förbättrar din lärandeupplevelse.
Tips för att lyckas med Deep Learning-kursen
Håll dig engagerad, öva regelbundet, samarbeta med andra studenter, delta i forum och tillämpa dina kunskaper genom projekt. Sätt upp realistiska mål och följ kursens schema för att maximera ditt lärande.
Vad kostar utbildningen för Deep Learning-kurser?
Kostnaden för utbildningen beror på vilken typ av prenumeration du väljer och dess längd. För exakt och detaljerad prisinformation samt eventuella rabatter, vänligen besök vår betalningssida.
Vilka nyckelkompetenser krävs för att lyckas inom Deep Learning?
För att lyckas inom Deep Learning behöver du starka matematiska kunskaper, god programmeringsförmåga (särskilt i Python) samt förståelse för maskininlärningskoncept. Analytiskt tänkande och problemlösningsförmåga är också avgörande.
Hur påverkar Deep Learning teknikbranschen?
Deep Learning har stor påverkan på teknikbranschen genom att möjliggöra utvecklingen av mer komplexa och intelligenta system. Det är avgörande för framsteg inom områden som taligenkänning, språköversättning och bildbehandling, och driver ständigt gränserna för vad maskiner kan åstadkomma.
Hur börjar jag studera Deep Learning?
Börja med grundläggande kurser som introducerar dig till grunderna i neurala nätverk och gå successivt vidare till mer avancerade ämnen. Delta i gemenskapsprojekt och håll dig uppdaterad om den senaste forskningen och utvecklingen.
Kan jag lära mig Deep Learning på egen hand?
Ja, med de många resurser som finns tillgängliga kan du börja lära dig Deep Learning på egen hand. Strukturerade kurser som de hos Codefinity kan dock erbjuda en mer heltäckande inlärningsväg, experthandledning och kamratstöd som kan vara svåra att uppnå vid självstudier.
Vad våra användare säger
Gå med 1,5+ miljoner utvecklar AI- och datafärdigheter hos Codefinity
Redo att komma igång?
ProBästa introduktionserbjudande$12 /månadFaktureras årligen
250+ topprankade kurserAvslutningscertifikatAI-assistent i alla kurser
40+ hands-on Real-world projectsPersonliga studieplanerObegränsade arbetsytorUltimateAllt du behöver för att lyfta din karriär$25 /månadFaktureras årligen
250+ topprankade kurserAvslutningscertifikatAI-assistent i alla kurser40+ hands-on Real-world projectsPersonliga studieplanerObegränsade arbetsytorToppkurser i den Djupinlärning kategori
1. | Introduktion till neurala nätverk med Python |  4 timmar |  25 kapitel |
2. | Introduktion till NLP med Python | 5 timmar | 29 kapitel |
3. | Introduktion till Tensorflow | 2 timmar | 16 kapitel |
4. | Rekurrenta Neurala Nätverk med Python | 3 timmar | 22 kapitel |
5. | Grunder i Datorseende | 4 timmar | 29 kapitel |
1. Introduktion till neurala nätverk med Python
Timmar
Kapitel2. Introduktion till NLP med Python
TimmarKapitel3. Introduktion till Tensorflow
TimmarKapitel4. Rekurrenta Neurala Nätverk med Python
TimmarKapitel5. Grunder i Datorseende
TimmarKapitelRelaterade ämnen på bloggen
Artificial Intelligence
by Andrii ChornyiData Scientist, ML Engineer
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Machine Learning
Artificial Intelligence
by Andrii ChornyiData Scientist, ML Engineer
