Ce cours sur l'apprentissage profond fournit une introduction complète aux autoencodeurs, aux autoencodeurs variationnels (VAE) et aux réseaux antagonistes génératifs (GAN). Commencez par explorer comment les autoencodeurs compressent et reconstruisent les données, et découvrez comment les VAE ajoutent une modélisation probabiliste pour améliorer les capacités génératives. Apprenez le processus de formation des VAE et mettez en œuvre un VAE à l'aide de TensorFlow pour la génération d'images avec l'ensemble de données MNIST. Progressez vers la maîtrise des réseaux antagonistes génératifs (GAN) - comprenez leur approche d'entraînement accusatoire, comment le générateur et le discriminateur interagissent, et explorez les applications du monde réel. Acquérir une expérience pratique en construisant un GAN pour générer de fausses images réalistes grâce à des démonstrations étape par étape. Pour réussir ce cours, vous devez avoir une compréhension de base des réseaux neuronaux, des concepts d'apprentissage automatique et de la programmation Python.
Cours d'introduction aux autoencodeurs, aux VAE et aux réseaux antagonistes génératifs (GAN)
Ce cours fait partie de Spécialisation Modèles IA génératifs et certification des réseaux de transformateurs
Instructeur : Priyanka Mehta
Inclus avec
Expérience recommandée
Ce que vous apprendrez
Construire et entraîner des autoencodeurs et des VAE en utilisant TensorFlow
Données en cours d'utilisation pour la génération de données synthétiques telles que des images
Comprendre et appliquer l'architecture du Réseau antagoniste génératif (GAN) et les techniques de formation
Créer des résultats réalistes avec les réseaux antagonistes génératifs (GAN) pour des cas d'utilisation réels
Compétences que vous acquerrez
- Catégorie : Deep learning
- Catégorie : Réseaux neuronaux artificiels
- Catégorie : Tensorflow
- Catégorie : Apprentissage non supervisé
- Catégorie : Architectures de modèles génératifs
- Catégorie : Qualité de l'image
- Catégorie : IA générative
- Catégorie : Apprentissage automatique appliqué
Détails à connaître
Ajouter à votre profil LinkedIn
7 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Il y a 2 modules dans ce cours
Ce module présente les principes fondamentaux des autoencodeurs et des autoencodeurs variationnels (VAE). Apprenez comment les autoencodeurs compressent et reconstruisent les données, les défis qu'ils rencontrent et comment les VAE les surmontent. Comprendre le processus de formation des VAE et leurs capacités génératives. Acquérir une expérience pratique en mettant en œuvre un VAE avec TensorFlow pour la génération d'images à l'aide de l'ensemble de données MNIST.
Inclus
8 vidéos1 lecture4 devoirs
Maîtrisez les réseaux antagonistes génératifs (GAN) dans ce module pratique. Apprenez comment fonctionnent les réseaux antagonistes génératifs (GAN) grâce à leur processus de formation unique et explorez des cas d'utilisation réels dans différents secteurs d'activité. Comprendre la dynamique des générateurs-discriminateurs et comment ils produisent des données réalistes. Acquérir des compétences pratiques en mettant en œuvre un Réseau antagoniste génératif (GAN) pour générer de fausses images avec des démonstrations guidées et des exemples de code.
Inclus
4 vidéos3 devoirs
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeur
Offert par
En savoir plus sur Apprentissage automatique
Statut : Essai gratuit
Statut : Essai gratuit
Statut : Essai gratuitDeepLearning.AI
Statut : PrévisualisationUniversity of Colorado Boulder
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
Les GAN (Generative Adversarial Networks) et les VAE (Variational Autoencoders) sont des modèles génératifs utilisés pour créer de nouveaux échantillons de données. Les réseaux antagonistes génératifs (GAN) utilisent un générateur-discriminateur, tandis que les autoencodeurs variationnels (VAE) reposent sur un encodage et un décodage probabilistes.
Les réseaux antagonistes génératifs (GAN) génèrent des données réalistes en opposant deux réseaux l'un à l'autre, tandis que les autoencodeurs compressent et reconstruisent les données. Tous deux sont utilisés dans l'apprentissage non supervisé, mais servent des objectifs différents dans la génération de données et l'apprentissage de caractéristiques.
Les autoencodeurs sont des réseaux neurones conçus pour apprendre des représentations de données efficaces en codant les données d'entrée sous une forme comprimée, puis en les décodant pour reconstruire les données d'entrée d'origine.
Plus de questions
Aide financière disponible,