序列模型

序列模型

本课程是深度学习专项课程的一部分

位教师：Andrew Ng

顶尖授课教师

访问权限由 New York State Department of Labor 提供

456,556 人已注册

4个模块

深入了解一个主题并学习基础知识。

31,227 条评论

中级等级

推荐体验

灵活的计划

4 周在 10 小时一周

自行安排学习进度

94%

大多数学生喜欢此课程

4个模块

深入了解一个主题并学习基础知识。

31,227 条评论

中级等级

推荐体验

灵活的计划

4 周在 10 小时一周

自行安排学习进度

94%

大多数学生喜欢此课程

您将获得的技能

您将学习的工具

Hugging Face

要了解的详细信息

可分享的证书

添加到您的领英档案

作业

4 项作业

授课语言：英语（English）

了解顶级公司的员工如何掌握热门技能

了解关于 Coursera for Business 的更多信息

Petrobras, TATA, Danone, Capgemini, P&G 和 L'Oreal 的徽标

积累特定领域的专业知识

本课程是深度学习专项课程专项课程的一部分

在注册此课程时，您还会同时注册此专项课程。

向行业专家学习新概念
获得对主题或工具的基础理解
通过实践项目培养工作相关技能
获得可共享的职业证书

该课程共有4个模块

在深度学习专业的第五门课程中，您将熟悉序列模型及其令人兴奋的应用，如语音识别、音乐合成、聊天机器人、机器翻译、自然语言处理（NLP）等。

课程结束时，您将能够构建和训练循环神经网络（RNN）以及常用的变体（如 GRU 和 LSTM）；将 RNN 应用于字符级语言建模；获得自然语言处理和单词嵌入的经验；使用 HuggingFace tokenizers 和转换器模型解决不同的 NLP 任务（如 NER 和 Question Answering）。深度学习专业是一个基础课程，将帮助您了解深度学习的能力、挑战和后果，并为您参与前沿人工智能技术的开发做好准备。它为您在人工智能领域迈出决定性的一步提供了途径，帮助您获得提升职业生涯水平的知识和技能。

探索递归神经网络--一种在时间数据上表现极佳的模型，以及它的几种变体，包括 LSTM、GRU 和双向 RNN、

涵盖的内容

12个视频5篇阅读材料1个作业3个编程作业

12个视频总计112分钟

为什么需要序列模型？ 3分钟
符号 9分钟
循环神经网络模型 17分钟
时间反向传播 6分钟
不同类型的 RNN 10分钟
语言模型和序列生成 12分钟
新序列采样 9分钟
利用 RNN 实现消失梯度 6分钟
有门禁的经常性单元（GRU） 17分钟
长短期记忆（LSTM） 10分钟
双向 RNN 8分钟
深度 RNN 5分钟

5篇阅读材料总计10分钟

加入 DeepLearning.AI 论坛，提出问题、获得支持或分享奇思妙想！ 2分钟
关于即将推出的封闭式循环单元（GRU）视频的说明 1分钟
关于即将推出的长短期记忆 (LSTM) 视频的说明 1分钟
讲义 W1 1分钟
(可选）下载笔记本、下载工作区和刷新工作区 5分钟

1个作业总计50分钟

Recurrent Neural Networks（递归神经网络 50分钟

3个编程作业总计540分钟

构建循环神经网络 - 一步一步来 180分钟
恐龙岛--角色级语言建模 180分钟
利用 LSTM 进行爵士乐即兴演奏 180分钟

自然语言处理与深度学习是一个强大的组合。利用词向量表示和嵌入层，训练出的递归神经网络可在情感分析、命名实体识别和神经机器翻译等多种应用中发挥出色的性能。

涵盖的内容

10个视频2篇阅读材料1个作业2个编程作业

10个视频总计99分钟

文字表述 10分钟
使用单词嵌入 9分钟
词嵌入的特性 11分钟
嵌入矩阵 4分钟
学习单词嵌入 10分钟
Word2Vec 13分钟
负采样 12分钟
GloVe 文字向量 11分钟
情感分类 8分钟
去重词嵌入 11分钟

2篇阅读材料总计2分钟

关于即将推出的 GloVe 文字矢量视频的说明 1分钟
讲义 W2 1分钟

1个作业总计50分钟

自然语言处理与单词 Embedding 50分钟

2个编程作业总计360分钟

字向量运算 - 去重 180分钟
Emojify 180分钟

使用注意力机制来增强序列模型，这种算法可以帮助模型在输入序列的情况下决定将注意力集中在哪里。然后，探索语音识别以及如何处理音频数据。

涵盖的内容

10个视频2篇阅读材料1个作业2个编程作业

10个视频总计98分钟

基本模型 6分钟
选择最有可能的句子 9分钟
光束搜索 12分钟
细化光束搜索 10分钟
光束搜索的误差分析 10分钟
蓝色得分（可选） 16分钟
注意模式直觉 10分钟
注意模型 12分钟
语音识别 9分钟
触发词检测 5分钟

2篇阅读材料总计11分钟

关于即将推出的注意力模型视频的说明 10分钟
讲义 W3 1分钟

1个作业总计50分钟

sequence-to-sequence model 和注意机制 50分钟

2个编程作业总计360分钟

神经机器翻译 180分钟
触发词检测 180分钟

涵盖的内容

5个视频5篇阅读材料1个作业1个编程作业3个非评分实验室

5个视频总计42分钟

变压器网络直觉 5分钟
自我关注 12分钟
多头关注 8分钟
变压器网络 14分钟
结论和感谢！ 3分钟

5篇阅读材料总计33分钟

讲义 W4 1分钟
[重要] 关于实验室笔记本使用权终止的提醒 2分钟
参考资料 10分钟
致谢 10分钟
(可选）指导其他学员的机会 10分钟

1个作业总计50分钟

Transformer 50分钟

1个编程作业总计180分钟

使用 TensorFlow 的变形金刚架构 180分钟

3个非评分实验室总计180分钟

变压器预处理 60分钟
变压器网络应用：命名实体识别 60分钟
变压器网络应用：问题解答 60分钟

获得职业证书

将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。

位教师

授课教师评分

(2,844个评价)

顶尖授课教师

Andrew Ng

DeepLearning.AI

51 门课程 9,587,203 名学生

提供方

DeepLearning.AI

人们为什么选择 Coursera 来帮助自己实现职业发展

Felipe M.

自 2018开始学习的学生

''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'

Jennifer J.

自 2020开始学习的学生

''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'

Larry W.

自 2021开始学习的学生

''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'

Chaitanya A.

''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'

学生评论

5 stars
83.76%
4 stars
12.88%
3 stars
2.56%
2 stars
0.47%
1 star
0.31%

显示 3/31227 个

已于 Sep 27, 2018审阅

Great hands on instruction on how RNNs work and how they are used to solve real problems. It was particularly useful to use Conv1D, Bidirectional and Attention layers into RNNs and see how they work.

已于 Apr 3, 2019审阅

The previous courses raised the bar and expectations. The assignments for Week 1 and Week 2 were a bit unclear. Lectures for Week 1 and Week 2 can be improved as well. Besides, this is a great course!

已于 Sep 21, 2024审阅

Could have been more polished like the earlier courses in the deep learning specialization. Particularly the programming exercises could have benefitted from more comments like in earlier courses.

查看更多评论