This 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
Faites décoller votre carrière cet été grâce à des cours dispensés par Google, IBM et bien d'autres, pour 190 €/an. Économisez maintenant.
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Débutant
Expérience recommandée
2 heures pour terminer
Planning flexible
Apprenez à votre propre rythme
Ce que vous apprendrez
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
Compétences que vous acquerrez
- Catégorie : PyTorch (Machine Learning Library)
- Catégorie : Time Series Analysis and Forecasting
- Catégorie : Tensorflow
- Catégorie : Natural Language Processing
- Catégorie : Artificial Neural Networks
- Catégorie : Deep Learning
- Catégorie : Keras (Neural Network Library)
- Catégorie : Applied Machine Learning
Détails à connaître
Certificat partageable
Ajouter à votre profil LinkedIn
Récemment mis à jour !
juillet 2025
Évaluations
3 devoirs
Enseigné en Anglais
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Il y a un module dans ce cours
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.
Inclus
8 vidéos1 lecture3 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 Machine Learning
Statut : Essai gratuit
Statut : Essai gratuit
Statut : Essai gratuit
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
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
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.
Plus de questions
Aide financière disponible,