พื้นฐานของการเรียนรู้ของเครื่องด้วย TensorFlow
หลักสูตรนี้เหมาะสำหรับผู้ที่:
- ยังใหม่กับ ML แต่ใครมีพื้นฐานการเขียนโปรแกรมระดับกลาง
เนื้อหานี้จัดทำขึ้นเพื่อเป็นแนวทางสำหรับนักพัฒนาที่เพิ่งเริ่มใช้ ML ตลอดช่วงเริ่มต้นของการเดินทาง ML คุณจะเห็นว่าทรัพยากรจำนวนมากใช้ TensorFlow อย่างไรก็ตาม ความรู้สามารถถ่ายทอดไปยังเฟรมเวิร์กการเรียนรู้ของเครื่องอื่นๆ ได้
ขั้นตอนที่ 1: ทำความเข้าใจว่า ML คืออะไร
TensorFlow 2.0 ได้รับการออกแบบมาเพื่อทำให้การสร้างเครือข่ายประสาทเทียมสำหรับการเรียนรู้ของเครื่องเป็นเรื่องง่าย ซึ่งเป็นสาเหตุที่ TensorFlow 2.0 ใช้ API ที่เรียกว่า Keras หนังสือ Deep Learning with Python โดย Francois Chollet ผู้สร้าง Keras เป็นจุดเริ่มต้นที่ดี อ่านบทที่ 1-4 เพื่อทำความเข้าใจพื้นฐานของ ML จากมุมมองของโปรแกรมเมอร์ ในช่วงครึ่งหลังของหนังสือจะเจาะลึกเข้าไปในส่วนต่างๆ เช่น Computer Vision, Natural Language Processing, Generative Deep Learning และอื่นๆ อย่ากังวลหากหัวข้อเหล่านี้สูงเกินไปในขณะนี้ เนื่องจากจะเหมาะสมกว่าในเวลาที่กำหนด
หนังสือแนะนำเล่มนี้ให้แนวทางที่เน้นโค้ดเป็นหลักในการเรียนรู้วิธีใช้สถานการณ์จำลอง ML ที่พบบ่อยที่สุด เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ (NLP) และการสร้างแบบจำลองลำดับสำหรับเว็บ อุปกรณ์เคลื่อนที่ คลาวด์ และรันไทม์แบบฝัง
หนังสือเล่มนี้เป็นหนังสือแนะนำ Deep Learning กับ Keras ที่นำไปปฏิบัติได้จริง
⬆ หรือ ⬇
เข้าร่วมหลักสูตรออนไลน์ เช่น Coursera's Introduction to TensorFlow หรือ Intro to TensorFlow for Deep Learning ของ Coursera ซึ่งทั้งสองหลักสูตรครอบคลุมพื้นฐานเดียวกันกับหนังสือของ Francois คุณอาจพบว่า วิดีโอเหล่านี้ จาก 3blue1brown มีประโยชน์ ซึ่งจะให้คำอธิบายสั้นๆ เกี่ยวกับวิธีการทำงานของโครงข่ายประสาทเทียมในระดับคณิตศาสตร์
การทำขั้นตอนนี้ให้เสร็จสิ้นจะทำให้คุณมีพื้นฐานว่า ML ทำงานอย่างไร และเตรียมคุณให้พร้อมสำหรับการทำงานที่ลึกซึ้งยิ่งขึ้น
DeepLearning.AI
ข้อมูลเบื้องต้นเกี่ยวกับ TensorFlow สำหรับ AI, ML และการเรียนรู้เชิงลึกหลักสูตรนี้ได้รับการพัฒนาร่วมกับทีม TensorFlow โดยเป็นส่วนหนึ่งของ TensorFlow Developer Specialization และจะสอนแนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้ TensorFlow ให้กับคุณ
ในหลักสูตรออนไลน์นี้พัฒนาโดยทีม TensorFlow และ Udacity คุณจะได้เรียนรู้วิธีสร้างแอปพลิเคชันการเรียนรู้เชิงลึกด้วย TensorFlow
ขั้นตอนที่ 2: เหนือกว่าพื้นฐาน
ใช้ TensorFlow Developer Specialization ซึ่งจะพาคุณไปไกลกว่าพื้นฐานสู่ Computer Vision, NLP และการสร้างแบบจำลองลำดับ
การทำขั้นตอนนี้จะเป็นการแนะนำของคุณต่อไป และสอนวิธีใช้ TensorFlow เพื่อสร้างแบบจำลองพื้นฐานสำหรับสถานการณ์ต่างๆ รวมถึงการจำแนกรูปภาพ การทำความเข้าใจความรู้สึกในข้อความ อัลกอริธึมกำเนิด และอื่นๆ
DeepLearning.AI
TensorFlow Developer Specializationในความเชี่ยวชาญพิเศษสี่หลักสูตรที่สอนโดยนักพัฒนา TensorFlow คุณจะสำรวจเครื่องมือและนักพัฒนาซอฟต์แวร์ที่ใช้เพื่อสร้างอัลกอริธึมที่ขับเคลื่อนด้วย AI ที่ปรับขนาดได้ใน TensorFlow
ขั้นตอนที่ 3: ฝึกฝน
ลองใช้บทช่วย สอน TensorFlow Core ของเรา ซึ่งจะช่วยให้คุณฝึกฝนแนวคิดที่คุณได้เรียนรู้ในขั้นตอนที่ 1 และ 2 เมื่อเสร็จแล้ว ให้ลองทำแบบฝึกหัดขั้นสูง
การทำตามขั้นตอนนี้จะช่วยเพิ่มความเข้าใจของคุณเกี่ยวกับแนวคิดหลักและสถานการณ์จำลองที่คุณจะพบเมื่อสร้างแบบจำลอง ML
ขั้นตอนที่ 4: เจาะลึกยิ่งขึ้นด้วย TensorFlow
ตอนนี้ได้เวลากลับไปที่ Deep Learning with Python โดย Francois และจบบทที่ 5-9 คุณควรอ่านหนังสือ Hands-on Machine Learning ด้วย Scikit-Learn, Keras และ TensorFlow โดย Aurelien Geron หนังสือเล่มนี้แนะนำ ML และการเรียนรู้เชิงลึกโดยใช้ TensorFlow 2.0
การทำตามขั้นตอนนี้จะครอบคลุมความรู้เบื้องต้นเกี่ยวกับ ML รวมถึงการขยายแพลตฟอร์มเพื่อตอบสนองความต้องการของคุณ
การใช้ตัวอย่างที่เป็นรูปธรรม ทฤษฎีขั้นต่ำ และสองเฟรมเวิร์ก Python ที่พร้อมสำหรับการผลิต—Scikit-Learn และ TensorFlow— หนังสือเล่มนี้ช่วยให้คุณเข้าใจแนวคิดและเครื่องมือโดยสัญชาตญาณสำหรับการสร้างระบบอัจฉริยะ