Kurser i djupinlärning
Välj en kurs som passar dina mål – från grunderna till avancerade färdigheter inom djupinlärning.
5.0
Betygsatt efter 3 recensioner.
35 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 DetectionModellträning och utvärderingMonitoring Model DegradationNatural 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 ConceptsPreprocessing PipelinesPrinciper för transparensPrompt-Based GeneralizationPyTorch-grunderPython-datastrukturerQuantization 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 MechanismSemantic 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 TheoryTransformersUnderstanding 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
4 timmar
25 kapitel
5 timmar 29 kapitel
2 timmar 16 kapitel
3 timmar 22 kapitel
4 timmar 29 kapitel
4 timmar 21 kapitel
3 timmar 20 kapitel
1 timme 12 kapitel
2 timmar 9 kapitel
2 timmar 9 kapitel
1 timme 12 kapitel
2 timmar 12 kapitel
Nivå
Lektionstyp
Teknologier
kurs
Introduktion till neurala nätverk med Python
4 timmar 25 kapitelAvancerad
Förvärvade kunskaper: Neurala nätverk, Modellträning och utvärdering, Datapreprocessering, Justering av hyperparametrar, Maskininlärning med scikit-learn
kurs
Introduktion till NLP med Python
5 timmar 29 kapitelAvancerad
1 STUDERAR NU
Förvärvade kunskaper: Natural Language Processing, Natural Language Handling
kurs
Introduktion till Tensorflow
2 timmar 16 kapitelMedelnivå
Förvärvade kunskaper: TensorFlow-grunder, Neurala nätverk, Python-datastrukturer, Datapreprocessering
kurs
Rekurrenta Neurala Nätverk med Python
3 timmar 22 kapitelMedelnivå
Förvärvade kunskaper: Förståelse för RNN, LSTM och GRU, Implementering av rekurrenta nätverk i PyTorch, Bearbetning av tidsserier och sekventiell data, Tillämpning av RNN på NLP-uppgifter (sentimentanalys), Helhetsutveckling och utvärdering av modeller
kurs
Grunder i Datorseende
4 timmar 29 kapitelMedelnivå
Förvärvade kunskaper: Bildbehandling med OpenCV, Konvolutionella neurala nätverk, Objektdetekteringsmetoder
kurs
Djupa Generativa Modeller
4 timmar 21 kapitelAvancerad
Förvärvade kunskaper: Generativ AI, VAE, GAN, Transformers, Diffusionsmodeller, Utvärderingsmetoder för Generativ AI
kurs
Pytorch-Grunder
3 timmar 20 kapitelAvancerad
Förvärvade kunskaper: PyTorch-grunder, Neurala nätverk, Modellträning och utvärdering
kurs
AI-Etik 101
1 timme 12 kapitelNybörjare
Förvärvade kunskaper: Grundläggande AI-etik, Etiskt beslutsfattande, Analys av rättvisa och partiskhet, Principer för transparens, Ansvar inom AI, Begrepp om datasekretess, Ramar för ansvarsfull AI, Regulatorisk medvetenhet
kurs
Attention Mechanisms Theory
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Attention Mechanisms Theory, Neural Network Architecture Analysis, Inductive Bias Reasoning, Model Scaling Concepts, Failure Mode Diagnosis
kurs
Continual Learning and Catastrophic Forgetting
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Continual Learning Theory, Catastrophic Forgetting Analysis, Optimization in Neural Networks, Stability–Plasticity Trade-Offs, Parameter Space Geometry, Theoretical Limits of Learning
kurs
Datapreprocessering och Feature Engineering
1 timme 12 kapitelNybörjare
Förvärvade kunskaper: Datastädning, Imputering av saknade värden, Detektion av avvikande värden, Kodning av variabler, Skalning av variabler, Datatransformation, Feature engineering, Feature selection, Byggande av pipelines
kurs
Diffusion Models and Generative Foundations
2 timmar 12 kapitelAvancerad
Förvärvade kunskaper: Diffusion Model Theory, Markov Chains in Generative Modeling, Variational Inference & ELBO, Score Matching, Stochastic Differential Equations (SDEs), ODE Formulations in Generative Models
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
Artificial Intelligence
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
