enthaltenThis deep learning course provides a comprehensive introduction to Autoencoders, Variational Autoencoders (VAE), and Generative Adversarial Networks (GANs). Begin by exploring how autoencoders compress and reconstruct data, and discover how VAEs add probabilistic modeling to enhance generative capabilities. Learn the VAE training process and implement a VAE using TensorFlow for image generation with the MNIST dataset. Progress to mastering GANs—understand their adversarial training approach, how the generator and discriminator interact, and explore real-world applications. Gain hands-on experience by building a GAN to generate realistic fake images through step-by-step demos.
Introduction Course to Autoencoders, VAEs, and GANs
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
Stufe Anfänger
Empfohlene Erfahrung
Es dauert 3 Stunden
3 Wochen bei 1 Stunde pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
Was Sie lernen werden
Build and train Autoencoders and VAEs using TensorFlow
Use VAEs for generating synthetic data like images
Understand and apply GAN architecture and training techniques
Create realistic outputs with GANs for real-world use cases
Kompetenzen, die Sie erwerben
- Kategorie: Computer Vision
- Kategorie: Unsupervised Learning
- Kategorie: Image Analysis
- Kategorie: Generative AI
- Kategorie: Artificial Neural Networks
- Kategorie: Deep Learning
- Kategorie: Applied Machine Learning
- Kategorie: Tensorflow
Wichtige Details
Zertifikat zur Vorlage
Zu Ihrem LinkedIn-Profil hinzufügen
Kürzlich aktualisiert!
Juni 2025
Bewertungen
7 Aufgaben
Unterrichtet in Englisch
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
In diesem Kurs gibt es 2 Module
Explore the fundamentals of Autoencoders and Variational Autoencoders (VAE) in this module. Learn how autoencoders compress and reconstruct data, the challenges they face, and how VAEs overcome them. Understand the VAE training process and its generative capabilities. Gain hands-on experience by implementing a VAE with TensorFlow for image generation using the MNIST dataset.
Das ist alles enthalten
8 Videos1 Lektüre4 Aufgaben
Master Generative Adversarial Networks (GANs) in this hands-on module. Learn how GANs work through their unique adversarial training process and explore real-world use cases across industries. Understand generator-discriminator dynamics and how they produce realistic data. Gain practical skills by implementing a GAN to generate fake images with guided demos and code examples.
Das ist alles enthalten
4 Videos3 Aufgaben
Erwerben Sie ein Karrierezertifikat.
Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.
Dozent
von
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
GANs (Generative Adversarial Networks) and VAEs (Variational Autoencoders) are generative models used to create new data samples. GANs use a generator-discriminator setup, while VAEs rely on probabilistic encoding and decoding.
GANs generate realistic data by pitting two networks against each other, while autoencoders compress and reconstruct data. Both are used in unsupervised learning but serve different purposes in data generation and feature learning.
Autoencoders are neural networks designed to learn efficient data representations by encoding input into a compressed form and then decoding it back to reconstruct the original input.
Weitere Fragen
Finanzielle Unterstützung verfügbar,