Aktualisiert im Mai 2025. Dieser Kurs enthält jetzt den Coursera Coach! Eine intelligentere Art zu lernen mit interaktiven Unterhaltungen in Echtzeit, die Ihnen dabei helfen, Ihr Wissen zu testen, Ihre Annahmen zu hinterfragen und Ihr Verständnis zu vertiefen, während Sie im Kurs vorankommen. Tauchen Sie ein in die Welt der Rekurrenten Neuronalen Netze (RNNs) mit diesem tiefgehenden Kurs, der Sie mit grundlegendem Wissen und praktischen Fähigkeiten unter Verwendung von TensorFlow ausstattet. Beginnen Sie mit einer Einführung in die Kernkonzepte von Sequenzdaten und Zeitreihenprognosen und gehen Sie dann zum Verständnis und zur Implementierung von autoregressiven linearen Modellen über. Entdecken Sie, wie man einfache Rekurrente neuronale Netze (RNN) anwendet, um Many-to-One- und Many-to-Many-Probleme zu lösen, mit praktischen Code-Sitzungen in TensorFlow 2. Gehen Sie über die Grundlagen hinaus mit modernen RNN-Einheiten wie GRU und LSTM und meistern Sie deren Anwendung in der komplexen Vorhersage von Signalen und der Überwindung von Problemen der Langstreckenabhängigkeit. Lernen Sie die Feinheiten der Architektur von Rekurrenten neuronalen Netzen (RNN) kennen und bereiten Sie sich darauf vor, anspruchsvollere Aufgaben wie die Klassifizierung von Bildern und die Vorhersage von Aktienkursen in Angriff zu nehmen. Der Schwerpunkt des Kurses liegt auf praktischen Code-Übungen, die sicherstellen, dass Sie diese Techniken sicher in realen Szenarien implementieren können. Schließlich werden Sie Anwendungen der Verarbeitung natürlicher Sprache (NLP) erkunden, einschließlich Einbettungen, Textvorverarbeitung und Textklassifizierung mit LSTMs. Dieser Kurs ist so strukturiert, dass er ein gründliches Verständnis von RNNs vermittelt und Sie in die Lage versetzt, diese Deep Learning Modelle in verschiedenen Bereichen effektiv anzuwenden. Dieser Kurs ist ideal für Entwickler, Datenwissenschaftler und Technikbegeisterte, die lernen möchten, wie man Empfehlungssysteme erstellt und implementiert. Grundlegende Kenntnisse von Python und Konzepten des Maschinellen Lernens werden empfohlen, sind aber nicht erforderlich.