enthaltenThis comprehensive course on Long Short-Term Memory (LSTM) equips you with the skills to build advanced sequence models for time series forecasting and natural language processing. Begin by understanding the fundamentals of Recurrent Neural Networks (RNNs) and how LSTM addresses vanishing gradient issues. Dive into the LSTM architecture—learn the functions of forget, input, and output gates and how they manage memory over time. Progress to practical applications across industries including finance, healthcare, and AI-driven chat systems. Gain hands-on experience through guided demos that walk you through real-world LSTM implementations.
Introduction to Long Short Term Memory (LSTM) Training
Bringen Sie Ihre Karriere in diesem Sommer in Schwung mit Kursen von Google, IBM und anderen für £190/Jahr. Jetzt sparen.
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
Stufe Anfänger
Empfohlene Erfahrung
Es dauert 2 Stunden
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
Was Sie lernen werden
Understand how LSTM networks overcome RNN limitations in sequence modeling
Learn the structure and function of LSTM gates: forget, input, and output
Apply LSTM to real-world tasks like time series forecasting and NLP
Build and evaluate LSTM models through step-by-step practical demos
Kompetenzen, die Sie erwerben
- Kategorie: Natural Language Processing
- Kategorie: Time Series Analysis and Forecasting
- Kategorie: Keras (Neural Network Library)
- Kategorie: Tensorflow
- Kategorie: PyTorch (Machine Learning Library)
- Kategorie: Artificial Neural Networks
- Kategorie: Applied Machine Learning
- Kategorie: Deep Learning
Wichtige Details
Zertifikat zur Vorlage
Zu Ihrem LinkedIn-Profil hinzufügen
Kürzlich aktualisiert!
Juli 2025
Bewertungen
3 Aufgaben
Unterrichtet in Englisch
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
In diesem Kurs gibt es 1 Modul
Master the fundamentals of Long Short-Term Memory (LSTM) networks in this hands-on module. Begin with the basics of RNNs and understand how LSTM overcomes their limitations. Explore LSTM architecture, including forget, input, and output gates. Learn real-world applications in time series, NLP, and more through interactive demos designed to reinforce practical LSTM implementation.
Das ist alles enthalten
8 Videos1 Lektüre3 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
Mehr von Machine Learning entdecken
Status: Kostenloser Testzeitraum
Status: Kostenloser Testzeitraum
Status: Kostenloser Testzeitraum
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
LSTM (Long Short-Term Memory) is a type of recurrent neural network (RNN) designed to capture long-range dependencies in sequential data. It overcomes the limitations of traditional RNNs by using gate mechanisms to retain or forget information.
The main gates in an LSTM are the Forget Gate, Input Gate, Output Gate, and sometimes a Cell Gate (though typically counted as part of the Input gate logic). These gates regulate the flow of information, enabling the model to manage memory effectively.
The LSTM technique involves using gated cells to control the flow of information over time, making it ideal for tasks like time series prediction, language modeling, and speech recognition where context from past inputs is important.
Weitere Fragen
Finanzielle Unterstützung verfügbar,