در ML تازه کار هستند، اما دارای پیشینه برنامه نویسی متوسط هستند
این محتوا برای راهنمایی توسعه دهندگان تازه وارد به ML در مراحل ابتدایی سفر ML طراحی شده است. خواهید دید که بسیاری از منابع از TensorFlow استفاده می کنند، با این حال، دانش قابل انتقال به سایر چارچوب های یادگیری ماشین است.
مرحله 1: درک کنید که ML چیست
TensorFlow 2.0 برای آسان ساختن شبکه های عصبی برای یادگیری ماشین طراحی شده است، به همین دلیل است که TensorFlow 2.0 از یک API به نام Keras استفاده می کند. کتاب یادگیری عمیق با پایتون اثر فرانسوا شولت، خالق Keras، مکانی عالی برای شروع است. برای درک اصول ML از دیدگاه یک برنامه نویس، فصل های 1-4 را بخوانید. نیمه دوم کتاب به حوزه هایی مانند بینایی کامپیوتر، پردازش زبان طبیعی، یادگیری عمیق مولد و غیره می پردازد. نگران نباشید اگر این موضوعات در حال حاضر بیش از حد پیشرفته هستند زیرا در زمان مناسب معنی بیشتری خواهند داشت.
این کتاب مقدماتی یک رویکرد کد اول را برای یادگیری نحوه پیاده‌سازی رایج‌ترین سناریوهای ML، مانند بینایی کامپیوتر، پردازش زبان طبیعی (NLP) و مدل‌سازی توالی برای زمان‌های اجرا وب، موبایل، ابری و تعبیه‌شده ارائه می‌کند.
یک دوره آنلاین مانند مقدمه‌های Coursera's Introduction to TensorFlow یا Udacity's Intro to TensorFlow for Deep Learning ، که هر دوی آنها همان مبانی کتاب فرانسوا را پوشش می‌دهند، شرکت کنید. همچنین ممکن است این ویدیوها از 3blue1brown برای شما مفید باشد، که توضیحات سریعی در مورد نحوه عملکرد شبکه های عصبی در سطح ریاضی به شما می دهد.
تکمیل این مرحله به شما مبانی نحوه عملکرد ML را می دهد و شما را برای عمیق تر شدن آماده می کند.
این دوره که با همکاری تیم TensorFlow توسعه یافته است، بخشی از تخصص توسعه دهندگان TensorFlow است و بهترین روش ها برای استفاده از TensorFlow را به شما آموزش می دهد.
تخصص توسعه دهندگان TensorFlow را انتخاب کنید، که شما را فراتر از اصول اولیه به سمت مقدماتی Computer Vision، NLP، و مدل سازی دنباله می برد.
تکمیل این مرحله مقدمه شما را ادامه می‌دهد و به شما می‌آموزد که چگونه از TensorFlow برای ساخت مدل‌های پایه برای سناریوهای مختلف، از جمله طبقه‌بندی تصویر، درک احساسات در متن، الگوریتم‌های تولیدی و غیره استفاده کنید.
در این تخصص چهار دوره ای که توسط یک توسعه دهنده TensorFlow تدریس می شود، ابزارها و نرم افزارهایی را که توسعه دهندگان برای ساختن الگوریتم های مقیاس پذیر مبتنی بر هوش مصنوعی در TensorFlow استفاده می کنند را بررسی خواهید کرد.
برخی از آموزش‌های TensorFlow Core ما را امتحان کنید، که به شما امکان می‌دهد مفاهیمی را که در مراحل 1 و 2 آموخته‌اید تمرین کنید. پس از پایان کار، برخی از تمرین‌های پیشرفته‌تر را امتحان کنید.
تکمیل این مرحله درک شما را از مفاهیم و سناریوهای اصلی که هنگام ساخت مدل های ML با آنها مواجه خواهید شد، بهبود می بخشد.
این کتاب با استفاده از مثال‌های عینی، تئوری حداقل و دو چارچوب پایتون آماده تولید -Scikit-Learn و TensorFlow- به شما کمک می‌کند تا درک بصری از مفاهیم و ابزارهای ساخت سیستم‌های هوشمند به دست آورید.
[null,null,[],[],[],null,["# Basics of machine learning\n\n[TensorFlow](/tutorials) › [Resources](/resources/models-datasets) › [Learn ML](/resources/learn-ml) › [Guide](/resources/learn-ml/basics-of-machine-learning) › \n\nBasics of machine learning with TensorFlow\n==========================================\n\nThis curriculum is for people who are:\n\n- New to ML, but who have an intermediate programming background \nThis content is intended to guide developers new to ML through the beginning stages of their ML journey. You will see that many of the resources use TensorFlow, however, the knowledge is transferable to other machine learning frameworks. \n\nStep 1: Understand what ML is all about\n---------------------------------------\n\nTensorFlow 2.0 is designed to make building neural networks for machine learning easy, which is why TensorFlow 2.0 uses an API called Keras. The book [Deep Learning with Python](https://www.manning.com/books/deep-learning-with-python-second-edition) by Francois Chollet, creator of Keras, is a great place to get started. Read chapters 1-4 to understand the fundamentals of ML from a programmer's perspective. The second half of the book delves into areas like Computer Vision, Natural Language Processing, Generative Deep Learning, and more. Don't worry if these topics are too advanced right now as they will make more sense in due time. \n[AI and Machine Learning for Coders](https://www.oreilly.com/library/view/ai-and-machine/9781492078180/) \nby Laurence Moroney \nThis introductory book provides a code-first approach to learn how to implement the most common ML scenarios, such as computer vision, natural language processing (NLP), and sequence modeling for web, mobile, cloud, and embedded runtimes. \n[View book](https://www.oreilly.com/library/view/ai-and-machine/9781492078180/) \nCode \nTheory \nBuild \n[Deep Learning with Python](https://www.manning.com/books/deep-learning-with-python-second-edition) \nby Francois Chollet \nThis book is a practical, hands-on introduction to Deep Learning with Keras. \n[View book](https://www.manning.com/books/deep-learning-with-python-second-edition) \nCode \nTheory \nBuild \n\n##### ⬆ Or ⬇\n\nTake an online course such as Coursera's [Introduction to TensorFlow](https://www.coursera.org/learn/introduction-tensorflow) or Udacity's [Intro to TensorFlow for Deep Learning](https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187), both of which cover the same fundamentals as Francois's book. You may also find [these videos](https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi) from 3blue1brown helpful, which give you quick explanations about how neural networks work on a mathematical level.\n\nCompleting this step will give you the foundations of how ML works, preparing you to go deeper. \n\nDeepLearning.AI\n[Intro to TensorFlow for AI, ML, and Deep Learning](https://www.coursera.org/learn/introduction-tensorflow) \nDeveloped in collaboration with the TensorFlow team, this course is part of the TensorFlow Developer Specialization and will teach you best practices for using TensorFlow. \n[View course](https://www.coursera.org/learn/introduction-tensorflow) \nCode \nBuild \n[Intro to TensorFlow for Deep Learning](https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187) \nIn this online course developed by the TensorFlow team and Udacity, you'll learn how to build deep learning applications with TensorFlow. \nFree [View course](https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187) \nCode \nMath \nTheory \nBuild \n\nStep 2: Beyond the basics\n-------------------------\n\nTake the [TensorFlow Developer Specialization](https://www.coursera.org/specializations/tensorflow-in-practice), which takes you beyond the basics into introductory Computer Vision, NLP, and Sequence modelling.\n\nCompleting this step continues your introduction, and teaches you how to use TensorFlow to build basic models for a variety of scenarios, including image classification, understanding sentiment in text, generative algorithms, and more. \n\nDeepLearning.AI\n[TensorFlow Developer Specialization](https://www.coursera.org/specializations/tensorflow-in-practice) \nIn this four-course Specialization taught by a TensorFlow developer, you'll explore the tools and software developers use to build scalable AI-powered algorithms in TensorFlow. \n[View course](https://www.coursera.org/specializations/tensorflow-in-practice) \nCode \nBuild \n\nStep 3: Practice\n----------------\n\nTry some of our [TensorFlow Core tutorials](/tutorials), which will allow you to practice the concepts you learned in steps 1 and 2. When you're done, try some of the more advanced exercises.\n\nCompleting this step will improve your understanding of the main concepts and scenarios you will encounter when building ML models.\n\nStep 4: Go deeper with TensorFlow\n---------------------------------\n\nNow it's time to go back to [Deep Learning with Python](https://www.manning.com/books/deep-learning-with-python-second-edition) by Francois and finish chapters 5-9. You should also read the book [Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow](https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/), by Aurelien Geron. This book introduces ML and deep learning using TensorFlow 2.0.\n\nCompleting this step will round out your introductory knowledge of ML, including expanding the platform to meet your needs. \n[Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow](https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/) \nby Aurélien Géron \nUsing concrete examples, minimal theory, and two production-ready Python frameworks---Scikit-Learn and TensorFlow---this book helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. \n[View book](https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/) \nCode \nTheory \nBuild \n[Next\nTheoretical and advanced machine learning with TensorFlow](/resources/learn-ml/theoretical-and-advanced-machine-learning) \n\nLearn, develop and build with TensorFlow\n----------------------------------------\n\n[Get started](/learn)"]]
