In dieser Spezialisierung habe ich neuronale Netzwerkarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks, LSTMs und Transformers entwickelt und gelernt, wie man sie mithilfe von Strategien wie Dropout, BatchNorm und Xavier/He-Initialisierung verbessert. Ich habe diese theoretischen Konzepte gemeistert, ihre branchenüblichen Anwendungen mit Python und TensorFlow erlernt und mich mit realen Anwendungsfällen wie Spracherkennung, Musiksynthese, Chatbots, maschineller Übersetzung, natürlicher Sprachverarbeitung und mehr auseinandergesetzt.

Im Rahmen dieses Professional Certificate-Programms habe ich gelernt, wie man neuronale Netzwerke mit TensorFlow erstellt und trainiert, wie man die Leistung des Netzwerks verbessert, indem man es mit Faltungen trainiert, um reale Bilder zu identifizieren, wie man Maschinen beibringt, menschliche Sprache mit natürlichen Sprachverarbeitungssystemen zu verstehen, zu analysieren und darauf zu reagieren, und vieles mehr!

Ich habe moderne Konzepte des maschinellen Lernens studiert, darunter überwachtes Lernen (lineare Regression, logistische Regression, neuronale Netzwerke, Entscheidungsbäume), unüberwachtes Lernen (Clustering, Anomalieerkennung), Empfehlungssysteme und verstärkendes Lernen. Ich habe einige bewährte Verfahren für den Aufbau von maschinellen Lernmodellen gelernt und praktische Fähigkeiten erworben, um maschinelle Lerntechniken auf anspruchsvolle reale Probleme anzuwenden.

Angewandte Mathematik und Implementierung numerischer Methoden in Python.
Im spezifischen, Analyse und numerische Behandlung nichtlinearer hyperbolischer Erhaltungsgesetze auf Graphen.