نیورل نیٹ ورک کی لرننگ (سیکھنے کا عمل) ایک انجینئرنگ کا عمل ہے، نہ کہ کوئی معمہ۔ یہ کورس وضاحت کرتا ہے کہ کس طرح ایک ماڈل ان پٹس (inputs) کو پیش گوئیوں میں تبدیل کرتا ہے، ان پیش گوئیوں میں غلطی کی مقدار کو ناپتا ہے، اور 'گریڈینٹس' (gradients) کا استعمال کرتے ہوئے 'ویٹس' (weights) کو اس وقت تک ایڈجسٹ کرتا ہے جب تک کہ 'لاس' (loss) یا غلطی کی شرح کم نہ ہو جائے۔ یہ کورس ان تمام لوگوں کے لیے ہے جو مبہم باتوں کے بجائے یہ سمجھنا چاہتے ہیں کہ 'ٹریننگ' کے دوران پسِ پردہ اصل میں کیا ہوتا ہے۔ کورس کے اختتام پر، آپ کو اس بات کا واضح تصور حاصل ہو جائے گا کہ ڈیٹا، لاس، گریڈینٹس اور آپٹیمائزرز (optimizers) کس طرح باہم مل کر کام کرتے ہیں، اور ساتھ ہی آپ اس قابل بھی ہو جائیں گے کہ ٹریننگ کے عمل میں آنے والی خرابیوں یا انحراف کو بہتر طور پر پہچان سکیں۔
یہ کورس سیکھنے کے عمل کے بنیادی میکانزم کے طور پر فارورڈ پاسز (forward passes)، لاس فنکشنز (loss functions)، گریڈینٹ ڈیسنٹ (gradient descent) اور بیک پروپیگیشن (backpropagation) کا احاطہ کرتا ہے۔ اس میں بیچز (batches)، ایپوکس (epochs) اور آپٹیمائزرز (optimizers) کے ساتھ ٹریننگ لوپس، نیز ناکامی کی اہم اقسام—جیسے انڈر فٹنگ (underfitting)، اوور فٹنگ (overfitting) اور ناقص ڈیٹا (bad data)—بھی شامل ہیں۔