Học máy lý thuyết và nâng cao với TensorFlow
Trước khi bắt đầu với các tài liệu học tập bên dưới, hãy đảm bảo:
Hoàn thành chương trình học của chúng tôi Kiến thức cơ bản về học máy với TensorFlow hoặc có kiến thức tương đương
Có kinh nghiệm phát triển phần mềm, đặc biệt là bằng Python
Chương trình giảng dạy này là điểm khởi đầu cho những người muốn:
Nâng cao hiểu biết của họ về ML
Bắt đầu hiểu và thực hiện các giấy tờ với TensorFlow
Bạn nên có kiến thức nền tảng về cách ML hoạt động hoặc đã hoàn thành các tài liệu học tập trong chương trình học dành cho người mới bắt đầu Kiến thức cơ bản về học máy với TensorFlow trước khi tiếp tục. Nội dung dưới đây nhằm hướng người học đến những nội dung lý thuyết và nâng cao hơn về học máy. Bạn sẽ thấy rằng nhiều tài nguyên sử dụng TensorFlow, tuy nhiên, kiến thức có thể chuyển sang các khuôn khổ ML khác.
Để hiểu thêm về ML, bạn nên có kinh nghiệm lập trình Python cũng như nền tảng về giải tích, đại số tuyến tính, xác suất và thống kê. Để giúp bạn đào sâu kiến thức ML của mình, chúng tôi đã liệt kê một số tài nguyên và khóa học được đề xuất từ các trường đại học, cũng như một số sách giáo khoa.
Bước 1: Làm mới sự hiểu biết của bạn về các khái niệm toán học
ML là một môn học nặng về toán học. Nếu bạn định sửa đổi mô hình ML hoặc xây dựng mô hình mới từ đầu, thì việc làm quen với các khái niệm toán học cơ bản là rất quan trọng. Bạn không cần phải học trước tất cả các phép toán, nhưng thay vào đó, bạn có thể tra cứu các khái niệm mà bạn không quen khi bắt gặp chúng. Nếu bạn đã tham gia một khóa học toán đã lâu rồi, hãy thử xem danh sách phát Bản chất của đại số tuyến tính và Bản chất của phép tính giải tích từ 3blue1brown để xem lại. Chúng tôi khuyên bạn nên tiếp tục bằng cách tham gia một lớp học từ một trường đại học hoặc xem các bài giảng truy cập mở từ MIT, chẳng hạn như Đại số tuyến tính hoặc Giải tích một biến đơn .
Một loạt video ngắn, trực quan từ 3blue1brown giải thích sự hiểu biết về hình học của ma trận, định thức, eigen và hơn thế nữa.
Một loạt video ngắn, trực quan từ 3blue1brown giải thích các nguyên tắc cơ bản của phép tính giải tích theo cách giúp bạn hiểu rõ hơn về các định lý cơ bản chứ không chỉ cách hoạt động của các phương trình.
Khóa học nhập môn này của MIT bao gồm lý thuyết ma trận và đại số tuyến tính. Nhấn mạnh vào các chủ đề sẽ hữu ích trong các lĩnh vực khác, bao gồm hệ phương trình, không gian vectơ, định thức, giá trị riêng, độ tương tự và ma trận xác định dương.
Khóa học giải tích nhập môn này của MIT bao gồm sự khác biệt và tích hợp các hàm của một biến, với các ứng dụng.
Bước 2: Hiểu sâu hơn về cách học sâu với các khóa học và sách này
Không có khóa học nào dạy bạn mọi thứ bạn cần biết về học sâu. Một cách tiếp cận có thể hữu ích là tham gia một vài khóa học cùng một lúc. Mặc dù sẽ có sự trùng lặp trong tài liệu, nhưng việc có nhiều người hướng dẫn giải thích các khái niệm theo những cách khác nhau có thể hữu ích, đặc biệt là đối với các chủ đề phức tạp. Dưới đây là một số khóa học chúng tôi đề xuất để giúp bạn bắt đầu. Bạn có thể khám phá từng người trong số họ cùng nhau hoặc chỉ chọn những người cảm thấy phù hợp nhất với bạn.
Hãy nhớ rằng, bạn càng học nhiều và củng cố những khái niệm này thông qua thực hành, bạn sẽ càng thành thạo hơn trong việc xây dựng và đánh giá các mô hình ML của riêng mình.
Tham gia các khóa học sau:
Khóa học MIT 6.S191: Giới thiệu về Học sâu là một khóa học nhập môn về Học sâu với TensorFlow từ MIT và cũng là một nguồn tài liệu tuyệt vời.
Chuyên ngành Học sâu của Andrew Ng tại Coursera cũng dạy các nền tảng của học sâu, bao gồm mạng phức hợp, RNNS, LSTM, v.v. Chuyên môn này được thiết kế để giúp bạn áp dụng phương pháp học sâu trong công việc và xây dựng sự nghiệp trong lĩnh vực AI.
Trong khóa học này từ MIT, bạn sẽ có được kiến thức nền tảng về các thuật toán học sâu và có được kinh nghiệm thực tế trong việc xây dựng mạng nơ-ron trong TensorFlow.
DeepLearning.AI
Chuyên môn học sâuTrong năm khóa học, bạn sẽ tìm hiểu nền tảng của Học sâu, hiểu cách xây dựng mạng thần kinh và học cách dẫn dắt các dự án học máy thành công và xây dựng sự nghiệp trong lĩnh vực AI. Bạn sẽ không chỉ nắm vững lý thuyết, mà còn xem nó được áp dụng như thế nào trong ngành công nghiệp.
⬆ Và ⬇ Đọc những cuốn sách này:
Để bổ sung những gì bạn học được trong các khóa học được liệt kê ở trên, chúng tôi khuyên bạn nên tìm hiểu sâu hơn bằng cách đọc những cuốn sách bên dưới. Mỗi cuốn sách đều có sẵn trực tuyến và cung cấp các tài liệu bổ sung để giúp bạn thực hành.
Bạn có thể bắt đầu bằng cách đọc Deep Learning: An MIT Press Book của Ian Goodfellow, Yoshua Bengio và Aaron Courville. Sách giáo khoa Học sâu là một nguồn tài liệu nâng cao nhằm giúp học sinh hiểu sâu hơn. Sách đi kèm với một trang web , cung cấp nhiều tài liệu bổ sung, bao gồm các bài tập, slide bài giảng, cách sửa lỗi và các nguồn tài liệu khác để giúp bạn thực hành với các khái niệm.
Bạn cũng có thể khám phá cuốn sách trực tuyến Mạng thần kinh và Học sâu của Michael Nielsen. Cuốn sách này cung cấp một nền tảng lý thuyết về mạng nơ-ron. Nó không sử dụng TensorFlow, nhưng là một tài liệu tham khảo tuyệt vời cho những sinh viên muốn tìm hiểu thêm.
Sách giáo khoa Deep Learning này là một nguồn tài liệu nhằm giúp sinh viên và các học viên tham gia vào lĩnh vực máy học nói chung và học sâu nói riêng.
Cuốn sách này cung cấp một nền tảng lý thuyết về mạng nơ-ron. Nó không sử dụng TensorFlow, nhưng là một tài liệu tham khảo tuyệt vời cho những sinh viên muốn tìm hiểu thêm.
Bước 3: Đọc và thực hiện các bài báo với TensorFlow
Tại thời điểm này, chúng tôi khuyên bạn nên đọc các bài báo và thử các hướng dẫn nâng cao trên trang web của chúng tôi, trong đó có các triển khai của một số ấn phẩm nổi tiếng. Cách tốt nhất để tìm hiểu một ứng dụng nâng cao, bản dịch máy hoặc chú thích hình ảnh , là đọc bài báo được liên kết từ hướng dẫn. Khi bạn làm việc thông qua nó, hãy tìm các phần có liên quan của mã và sử dụng chúng để giúp củng cố sự hiểu biết của bạn.
Học máy lý thuyết và nâng cao với TensorFlow
Trước khi bắt đầu với các tài liệu học tập bên dưới, hãy đảm bảo:
Hoàn thành chương trình học của chúng tôi Kiến thức cơ bản về học máy với TensorFlow hoặc có kiến thức tương đương
Có kinh nghiệm phát triển phần mềm, đặc biệt là bằng Python
Chương trình giảng dạy này là điểm khởi đầu cho những người muốn:
Nâng cao hiểu biết của họ về ML
Bắt đầu hiểu và thực hiện các giấy tờ với TensorFlow
Bạn nên có kiến thức nền tảng về cách ML hoạt động hoặc đã hoàn thành các tài liệu học tập trong chương trình học dành cho người mới bắt đầu Kiến thức cơ bản về học máy với TensorFlow trước khi tiếp tục. Nội dung dưới đây nhằm hướng người học đến những nội dung lý thuyết và nâng cao hơn về học máy. Bạn sẽ thấy rằng nhiều tài nguyên sử dụng TensorFlow, tuy nhiên, kiến thức có thể chuyển sang các khuôn khổ ML khác.
Để hiểu thêm về ML, bạn nên có kinh nghiệm lập trình Python cũng như nền tảng về giải tích, đại số tuyến tính, xác suất và thống kê. Để giúp bạn đào sâu kiến thức ML của mình, chúng tôi đã liệt kê một số tài nguyên và khóa học được đề xuất từ các trường đại học, cũng như một số sách giáo khoa.
Bước 1: Làm mới sự hiểu biết của bạn về các khái niệm toán học
ML là một môn học nặng về toán học. Nếu bạn định sửa đổi mô hình ML hoặc xây dựng mô hình mới từ đầu, thì việc làm quen với các khái niệm toán học cơ bản là rất quan trọng. Bạn không cần phải học trước tất cả các phép toán, nhưng thay vào đó, bạn có thể tra cứu các khái niệm mà bạn không quen khi bắt gặp chúng. Nếu bạn đã tham gia một khóa học toán đã lâu rồi, hãy thử xem danh sách phát Bản chất của đại số tuyến tính và Bản chất của phép tính giải tích từ 3blue1brown để xem lại. Chúng tôi khuyên bạn nên tiếp tục bằng cách tham gia một lớp học từ một trường đại học hoặc xem các bài giảng truy cập mở từ MIT, chẳng hạn như Đại số tuyến tính hoặc Giải tích một biến đơn .
Một loạt video ngắn, trực quan từ 3blue1brown giải thích sự hiểu biết về hình học của ma trận, định thức, eigen và hơn thế nữa.
Một loạt video ngắn, trực quan từ 3blue1brown giải thích các nguyên tắc cơ bản của phép tính giải tích theo cách giúp bạn hiểu rõ hơn về các định lý cơ bản chứ không chỉ cách hoạt động của các phương trình.
Khóa học nhập môn này của MIT bao gồm lý thuyết ma trận và đại số tuyến tính. Nhấn mạnh vào các chủ đề sẽ hữu ích trong các lĩnh vực khác, bao gồm hệ phương trình, không gian vectơ, định thức, giá trị riêng, độ tương tự và ma trận xác định dương.
Khóa học giải tích nhập môn này của MIT bao gồm sự khác biệt và tích hợp các hàm của một biến, với các ứng dụng.
Bước 2: Hiểu sâu hơn về cách học sâu với các khóa học và sách này
Không có khóa học nào dạy bạn mọi thứ bạn cần biết về học sâu. Một cách tiếp cận có thể hữu ích là tham gia một vài khóa học cùng một lúc. Mặc dù sẽ có sự trùng lặp trong tài liệu, nhưng việc có nhiều người hướng dẫn giải thích các khái niệm theo những cách khác nhau có thể hữu ích, đặc biệt là đối với các chủ đề phức tạp. Dưới đây là một số khóa học chúng tôi đề xuất để giúp bạn bắt đầu. Bạn có thể khám phá từng người trong số họ cùng nhau hoặc chỉ chọn những người cảm thấy phù hợp nhất với bạn.
Hãy nhớ rằng, bạn càng học nhiều và củng cố những khái niệm này thông qua thực hành, bạn sẽ càng thành thạo hơn trong việc xây dựng và đánh giá các mô hình ML của riêng mình.
Tham gia các khóa học sau:
Khóa học MIT 6.S191: Giới thiệu về Học sâu là một khóa học nhập môn về Học sâu với TensorFlow từ MIT và cũng là một nguồn tài liệu tuyệt vời.
Chuyên ngành Học sâu của Andrew Ng tại Coursera cũng dạy các nền tảng của học sâu, bao gồm mạng phức hợp, RNNS, LSTM, v.v. Chuyên môn này được thiết kế để giúp bạn áp dụng phương pháp học sâu trong công việc và xây dựng sự nghiệp trong lĩnh vực AI.
Trong khóa học này từ MIT, bạn sẽ có được kiến thức nền tảng về các thuật toán học sâu và có được kinh nghiệm thực tế trong việc xây dựng mạng nơ-ron trong TensorFlow.
DeepLearning.AI
Chuyên môn học sâuTrong năm khóa học, bạn sẽ tìm hiểu nền tảng của Học sâu, hiểu cách xây dựng mạng thần kinh và học cách dẫn dắt các dự án học máy thành công và xây dựng sự nghiệp trong lĩnh vực AI. Bạn sẽ không chỉ nắm vững lý thuyết, mà còn xem nó được áp dụng như thế nào trong ngành công nghiệp.
⬆ Và ⬇ Đọc những cuốn sách này:
Để bổ sung những gì bạn học được trong các khóa học được liệt kê ở trên, chúng tôi khuyên bạn nên tìm hiểu sâu hơn bằng cách đọc những cuốn sách bên dưới. Mỗi cuốn sách đều có sẵn trực tuyến và cung cấp các tài liệu bổ sung để giúp bạn thực hành.
Bạn có thể bắt đầu bằng cách đọc Deep Learning: An MIT Press Book của Ian Goodfellow, Yoshua Bengio và Aaron Courville. Sách giáo khoa Học sâu là một nguồn tài liệu nâng cao nhằm giúp học sinh hiểu sâu hơn. Sách đi kèm với một trang web , cung cấp nhiều tài liệu bổ sung, bao gồm các bài tập, slide bài giảng, cách sửa lỗi và các nguồn tài liệu khác để giúp bạn thực hành với các khái niệm.
Bạn cũng có thể khám phá cuốn sách trực tuyến Mạng thần kinh và Học sâu của Michael Nielsen. Cuốn sách này cung cấp một nền tảng lý thuyết về mạng nơ-ron. Nó không sử dụng TensorFlow, nhưng là một tài liệu tham khảo tuyệt vời cho những sinh viên muốn tìm hiểu thêm.
Sách giáo khoa Deep Learning này là một nguồn tài liệu nhằm giúp sinh viên và các học viên tham gia vào lĩnh vực máy học nói chung và học sâu nói riêng.
Cuốn sách này cung cấp một nền tảng lý thuyết về mạng nơ-ron. Nó không sử dụng TensorFlow, nhưng là một tài liệu tham khảo tuyệt vời cho những sinh viên muốn tìm hiểu thêm.
Bước 3: Đọc và thực hiện các bài báo với TensorFlow
Tại thời điểm này, chúng tôi khuyên bạn nên đọc các bài báo và thử các hướng dẫn nâng cao trên trang web của chúng tôi, trong đó có các triển khai của một số ấn phẩm nổi tiếng. Cách tốt nhất để tìm hiểu một ứng dụng nâng cao, bản dịch máy hoặc chú thích hình ảnh , là đọc bài báo được liên kết từ hướng dẫn. Khi bạn làm việc thông qua nó, hãy tìm các phần có liên quan của mã và sử dụng chúng để giúp củng cố sự hiểu biết của bạn.