掌控学习之路

要成为机器学习领域的专家,您首先需要在以下四个学习领域打下坚实的基础:编码、数学、机器学习理论以及如何从头到尾构建您自己的机器学习项目。

从 TensorFlow 的精选课程着手,提升您在这四个方面的技能,或者通过浏览下面的资源库选择您自己的学习路线。

机器学习培训的四个领域

在开启您的学习之旅之前,请务必先了解如何学习机器学习知识。我们将学习流程划分为四个知识领域,每个领域均提供了机器学习的基础知识部分。为帮助您顺利完成学习之旅,我们列出了一些图书、视频和在线课程,不仅有助于您提升能力,还可以让您为在自己的项目中使用机器学习做好准备。我们的指导课程旨在扩大您的知识面,因此可以先从这里着手,或者通过浏览我们的资源库选择您自己的学习路径。

  • 编码技能:构建机器学习模型不仅要了解机器学习的概念,还需要编码,以便管理数据、调整参数以及解析测试和优化模型所需的结果。

  • 数学和统计学:机器学习是一门数学密集型学科,因此,如果您打算修改机器学习模型或从头开始构建新模型,那么熟悉基础数学概念对于该过程至关重要。

  • 机器学习理论:了解机器学习理论的基础知识将为您打下基础,并且可在出现问题时帮助您排查问题。

  • 构建您自己的项目:亲身体验机器学习是检验知识掌握情况的最佳方式。不要害怕,尽早开始通过简单的 Colab教程获取一些实践经验。

TensorFlow 课程

我们提供的指导课程包含推荐的课程、图书和视频,选择一门课程开启学习之旅吧。

针对新手
TensorFlow 的机器学习基础知识

通过这一系列的图书和在线课程了解机器学习的基础知识。您将了解机器学习的基本概念,并在课程的引导下通过 TensorFlow 2.0 了解深度学习。然后您将有机会练习从新手教程中学到的知识。

针对中级水平人员和专家
使用 TensorFlow 进行理论机器学习和高级机器学习

了解机器学习的基础知识之后,您便可以深入研究神经网络和深度学习的理论知识,并加强对基础数学概念的理解,从而将您的能力提升至一个新水平。

针对新手
使用 JavaScript 进行 TensorFlow 开发

了解使用 JavaScript 开发机器学习模型的基础知识,以及如何直接在浏览器中部署模型。该系列课程将向您简要介绍深度学习,以及如何通过实践练习开始使用 TensorFlow.js。

教育资源

选择您自己的学习路径,并浏览 TensorFlow 团队推荐的图书、课程、视频和练习,以了解机器学习的基础知识。

图书

阅读是理解机器学习和深度学习基础知识的最佳方式之一。图书可以为您提供必要的理论知识,帮助您以后更加快速地学习新概念。

面向编码人员的 AI 和机器学习知识
由 Laurence Moroney 编著

这本入门书籍从代码的角度介绍了如何实现最常见的机器学习场景,例如计算机视觉、自然语言处理 (NLP),以及网络、移动、云端和嵌入式运行时的序列建模。

使用 Python 进行深度学习
由 Francois Chollet 编著

本书介绍了关于使用 Keras 进行深度学习的实用操作说明。

使用 Scikit-Learn、Keras 和 TensorFlow 进行机器学习实践
由 Aurélien Géron 编著

本书采用了具体示例和两个可用于生产的 Python 框架(Scikit-Learn 和 TensorFlow),并且理论知识篇幅不多,可帮助您直观地理解构建智能系统用到的概念和工具。

深度学习
由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 共同编著

这本《深度学习》教材旨在帮助学生和从业者进入一般的机器学习领域,尤其是深度学习领域。

神经网络与深度学习
由 Michael Nielsen 编著

本书提供了有关神经网络的理论背景。本书并未用到 TensorFlow,但对于有兴趣深入学习的学生来说具有重要的参考价值。

了解 TensorFlow.js
由 Gant Laborde 编著

通过端到端的实际操作方法学习 TensorFlow.js 基础知识,适合广泛的技术受众。读完本书后,您将了解如何使用 TensorFlow.js 构建和部署可用于生产环境的深度学习系统。

使用 JavaScript 进行深度学习
由 Shanqing Cai、Stanley Bileschi、Eric D. Nielsen 和 Francois Chollet 共同编著

本书由 TensorFlow 库的主要作者编著,提供了关于在浏览器中或 Node 上使用 JavaScript 构建深度学习应用的精彩用例和深入说明。

在线课程

学习由多个部分组成的在线课程是学习机器学习基础概念的绝佳方式。很多课程不仅生动形象地讲解了专业知识,还提供了在您的工作或个人项目中直接运用机器学习所需的工具。

TensorFlow 在 AI、机器学习和深度学习中的应用简介

该课程是《TensorFlow 开发者》专项课程的一部分,与 TensorFlow 团队联合制作而成,其中将讲解使用 TensorFlow 的最佳实践。

TensorFlow 在深度学习中的应用简介

在这门由 TensorFlow 团队和 Udacity 联合制作的在线课程中,您将了解如何使用 TensorFlow 构建深度学习应用。

《TensorFlow 开发者》专项课程

在这个由 TensorFlow 开发者讲授且由 4 门课程组成的专项课程中,您将了解开发者在 TensorFlow 中构建由 AI 提供支持且可扩容的算法时使用的工具和软件。

机器学习速成课程

有关 TensorFlow API 的机器学习速成课程是面向志向远大的机器学习从业者的自学指南。其中包含一系列视频讲座课程、实际案例研究和实践练习。

麻省理工学院课程 6.S191:深度学习简介

通过学习麻省理工学院推出的这门课程,您将掌握深度学习算法的基础知识,并获得在 TensorFlow 中构建神经网络的实践经验。

《深度学习》专项课程

通过学习这 5 门课程,您将了解深度学习的基础知识,了解如何构建神经网络,以及如何成功完成机器学习项目并在 AI 领域成就一番事业。在学习过程中,您不仅可以掌握理论知识,还将了解这些理论在行业中的运用情况。

《TensorFlow:数据和部署》专项课程

您已经学习了如何构建和训练模型。现在请学习这个由 4 门课程组成的专项系列课程,了解如何在各种场景下部署模型,以及如何使用数据更有效地训练模型。

《TensorFlow:高级技术》专项课程

这门专项课程适合以下软件工程师和机器学习工程师:对 TensorFlow 有基本了解,希望通过学习高级 TensorFlow 功能来扩展自己的知识和技能,进而构建强大的模型。

Google AI 基础知识:基于 Web 的机器学习

了解如何利用基于 Web 的机器学习,在将来为客户或您所在的公司开展工作时,吸引更多人关注您的前沿研究或在您的 Web 应用中提供强大功能。

数学概念

要更深入地学习机器学习知识,这些资源可以帮助您理解提升至更高水平所需的基础数学概念。

以浅显易懂的方式介绍线性代数在机器学习中的运用

此视频概要介绍了线性代数在机器学习中的运用。从未学过线性代数或仅对基础知识略知一二,但希望了解线性代数如何应用于机器学习?那么此视频非常适合您。

《机器学习数学基础》专项课程

Coursera 发布的这门在线专项课程旨在弥合数学与机器学习之间的缺口,让您快速掌握基础数学知识以建立直观的理解,并将其与机器学习和数据科学联系起来。

深度学习
由 3Blue1Brown 发布

3blue1brown 专门通过以视觉为主导的方法讲解数学知识。在此视频系列课程中,您将通过数学概念了解神经网络的基础知识及其运行原理。

线性代数的本质
由 3Blue1Brown 发布

3blue1brown 发布的一系列以独特视觉角度解说的短视频,其中讲解了如何从几何方面理解矩阵、行列式、本征函数/本征值等内容。

微积分的本质
由 3Blue1Brown 发布

3blue1brown 发布的一系列以独特视觉角度解说的短视频,其中讲解了微积分的基础知识,旨在让您深入理解基本定理,而不只是了解方程的原理。

麻省理工学院课程 18.06:线性代数

此入门课程由麻省理工学院发布,内容涵盖矩阵理论和线性代数。此课程重点介绍了在其他学科中很有用的概念,包括方程组、向量空间、行列式、特征值、相似度和正定矩阵。

麻省理工学院课程 18.01:单变量微积分

本课程是麻省理工学院发布的微积分入门课程,其中介绍了一元函数的微分和积分及其应用。

Seeing Theory
由 Daniel Kunin、Jingru Guo、Tyler Dae Devlin 和 Daniel Xiang 共同编著

概率和统计学的直观介绍。

统计学习导论
由 Gareth James、Daniela Witten、Trevor Hastie 和 Rob Tibshirani 共同编著

本书以通俗易懂的方式概述了统计学习领域,统计学习是一种重要的工具包,可帮助理解训练机器学习模型所需的庞大而复杂的数据集。

TensorFlow 资源

我们收集了颇受欢迎的资源来帮助您入门,包括可满足您的特定需求的 TensorFlow 库和框架。前往 TensorFlow.jsTensorFlow LiteTFX 部分。


此外,您还可以浏览 TensorFlow 官方指南教程,获取最新示例和 Colab。

机器学习:从新手到高手

本入门系列视频适合了解如何编写代码但不一定了解机器学习的人员。您可以查看展示如何构建机器学习模型的“Hello World”基本示例,并了解如何通过卷积神经网络构建图像分类器。

从头开始了解 TensorFlow

此机器学习技术演讲适合以下人员:对机器学习有基本的了解,但需要概要学习 TensorFlow 的基础知识(张量、变量和梯度,不使用高阶 API)。

深度学习简介

此机器学习技术演讲包括以下内容:表征学习、神经网络系列及其应用、对深度神经网络的初步介绍以及许多 TensorFlow 代码示例和概念。

TensorFlow 编码知识

在这个系列中,TensorFlow 团队从编码角度探讨了 TensorFlow 的方方面面,通过视频介绍了 TensorFlow 高阶 API 的使用方式、自然语言处理、Neural Structured Learning,等等。

使用机器学习发现并解决日常问题

学习发现最常见的机器学习使用场景,包括分析多媒体、构建智能搜索功能和转换数据,并了解如何借助易于使用的工具,将这些功能快速添加到您的应用中。

针对 JavaScript

前往 TensorFlow.js,探索最新资源。

面向 Web 开发者的机器学习(Web 机器学习)

获取有关在具有 JavaScript 的浏览器中使用机器学习的实用知识。了解如何从空白画布中编写自定义模型,通过迁移学习重新训练模型,以及从 Python 转换模型。

了解 TensorFlow.js
由 Gant Laborde 编著

通过端到端的实际操作方法学习 TensorFlow.js 基础知识,适合广泛的技术受众。读完本书后,您将了解如何使用 TensorFlow.js 构建和部署可用于生产环境的深度学习系统。

开始通过 TensorFlow 使用 TensorFlow.js

该专项课程由 3 个部分组成,探讨了如何使用 TensorFlow.js 训练和执行机器学习模型,并向您展示了如何使用 JavaScript 创建直接在浏览器中执行的机器学习模型。

通过 TensorFlow.js 为 JavaScript 开发者打造专属 Google AI

借助 TensorFlow.js,从 Web 机器学习新手成为高手。了解如何创建新一代可在客户端运行且能在几乎所有设备上使用的 Web 应用。

《TensorFlow.js:智能和学习》系列课程
由 Coding Train 发布

这一系列视频是关于机器学习和构建神经网络的大型系列课程的一部分,重点介绍了 TensorFlow.js、核心 API 以及如何使用 JavaScript 库训练和部署机器学习模型。

针对移动设备和边缘设备

前往 TensorFlow Lite,探索最新资源。

设备端机器学习

学习衔接课程,了解如何构建您的首款设备端机器学习应用;衔接课程提供针对音频分类、视觉化商品搜索等常见使用场景的分步指南。

TensorFlow Lite 简介

在本课程中,您将学习如何借助 TensorFlow Lite 在移动设备和嵌入式设备上部署深度学习模型。它由 TensorFlow 团队和 Udacity 联合制作,从实践角度向软件开发者讲解了模型部署技巧。

针对生产

前往 TFX,探索最新资源。

借助 TFX,通过机器学习工程部署适用于生产环境的机器学习系统

从实践的角度了解如何使用 TFX 实现生产流水线系统。我们将快速介绍从数据获取、模型构建一直到部署和管理的所有内容。

构建机器学习流水线
由 Hannes Hapke 和 Catherine Nelson 共同编著

本书将为您介绍使用 TensorFlow 生态系统实现机器学习流水线自动化的步骤。本书中的机器学习示例以 TensorFlow 和 Keras 为基础,但核心概念可应用于任何框架。

《将机器学习工程用于生产环境 (MLOps)》专项课程

学习这个由 4 门课程组成的专项课程,提高自己的生产工程能力。了解如何构思、构建和维护在生产环境中持续运行的集成系统。

Google Cloud 上的机器学习流水线

本高级课程介绍了 TFX 组件、流水线编排和自动化技术,以及如何使用 Google Cloud 管理机器学习元数据。

以人为本的 AI

在设计机器学习模型或构建 AI 驱动的应用时,请务必考虑与产品进行互动的用户,以及在这些 AI 系统中纳入公平性、可解释性、隐私性和安全性的最佳方式。

Responsible AI 实践

了解如何利用 TensorFlow 在机器学习工作流程中落实 Responsible AI 做法。

人与 AI 指南

Google 发布的这份指南将帮助您构建以人为本的 AI 产品。通过参考本指南,您在构建由 AI 驱动的应用时能够避开常见错误、设计出色的体验并注重以人为本。

“机器学习公平性简介”单元

Google MLCC 中的这一单元(时长 1 小时)向学习者介绍了可能会在训练数据中显现出来的不同类型的人为偏差,以及识别和评估其影响的策略。