Memiliki pengalaman pengembangan perangkat lunak, khususnya dengan Python
Kurikulum ini adalah titik awal bagi orang-orang yang ingin:
Meningkatkan pemahaman mereka tentang ML
Mulailah memahami dan menerapkan makalah dengan TensorFlow
Anda harus sudah memiliki latar belakang pengetahuan tentang cara kerja ML atau menyelesaikan materi pembelajaran dalam kurikulum pemula Dasar-dasar pembelajaran mesin dengan TensorFlow sebelum melanjutkan. Konten di bawah ini dimaksudkan untuk memandu pelajar ke konten pembelajaran mesin yang lebih teoretis dan lanjutan. Anda akan melihat bahwa banyak sumber daya menggunakan TensorFlow, namun pengetahuannya dapat ditransfer ke framework ML lainnya.
Untuk lebih memahami ML, Anda harus memiliki pengalaman pemrograman Python serta latar belakang kalkulus, aljabar linier, probabilitas, dan statistik. Untuk membantu Anda memperdalam pengetahuan ML Anda, kami telah mencantumkan sejumlah referensi dan kursus yang direkomendasikan dari universitas, serta beberapa buku teks.
Langkah 1: Segarkan kembali pemahaman Anda tentang konsep matematika
ML adalah disiplin matematika yang berat. Jika Anda berencana memodifikasi model ML, atau membuat model baru dari awal, pemahaman terhadap konsep matematika yang mendasarinya adalah hal yang penting. Anda tidak harus mempelajari semua matematika terlebih dahulu, tetapi Anda dapat mencari konsep-konsep yang tidak Anda kenal saat Anda menemukannya. Jika Anda sudah lama tidak mengikuti kursus matematika, coba tonton playlist Intisari Aljabar Linier dan Intisari Kalkulus dari 3blue1 brown untuk penyegaran. Sebaiknya Anda melanjutkan dengan mengikuti kelas dari universitas, atau menonton kuliah akses terbuka dari MIT, seperti Aljabar Linier atau Kalkulus Variabel Tunggal .
Serangkaian video visual pendek dari 3blue1 brown yang menjelaskan dasar-dasar kalkulus sedemikian rupa sehingga memberi Anda pemahaman yang kuat tentang teorema dasar, dan bukan hanya cara kerja persamaannya.
Kursus pengantar dari MIT ini mencakup teori matriks dan aljabar linier. Penekanan diberikan pada topik-topik yang akan berguna dalam disiplin ilmu lain, termasuk sistem persamaan, ruang vektor, determinan, nilai eigen, kesamaan, dan matriks pasti positif.
Langkah 2: Perdalam pemahaman Anda tentang pembelajaran mendalam dengan kursus dan buku ini
Tidak ada kursus tunggal yang akan mengajarkan Anda semua yang perlu Anda ketahui tentang pembelajaran mendalam. Salah satu pendekatan yang mungkin berguna adalah dengan mengambil beberapa kursus pada waktu yang sama. Meskipun materi akan tumpang tindih, meminta beberapa instruktur menjelaskan konsep dengan cara yang berbeda dapat membantu, terutama untuk topik yang kompleks. Berikut adalah beberapa kursus yang kami rekomendasikan untuk membantu Anda memulai. Anda dapat menjelajahi masing-masingnya bersama-sama, atau memilih salah satu yang dirasa paling relevan bagi Anda.
Ingat, semakin banyak Anda belajar, dan memperkuat konsep-konsep ini melalui latihan, Anda akan semakin mahir dalam membangun dan mengevaluasi model ML Anda sendiri.
Spesialisasi Pembelajaran Mendalam Andrew Ng di Coursera juga mengajarkan dasar-dasar pembelajaran mendalam, termasuk jaringan konvolusional, RNNS, LSTM, dan banyak lagi. Spesialisasi ini dirancang untuk membantu Anda menerapkan pembelajaran mendalam dalam pekerjaan Anda, dan untuk membangun karier di bidang AI.
Dalam kursus dari MIT ini, Anda akan memperoleh pengetahuan dasar tentang algoritma pembelajaran mendalam dan mendapatkan pengalaman praktis dalam membangun jaringan saraf di TensorFlow.
Dalam lima kursus, Anda akan mempelajari dasar-dasar Pembelajaran Mendalam, memahami cara membangun jaringan saraf, dan mempelajari cara memimpin proyek pembelajaran mesin yang sukses dan membangun karier di bidang AI. Anda tidak hanya akan menguasai teorinya, tetapi juga melihat bagaimana penerapannya dalam industri.
Untuk melengkapi apa yang Anda pelajari dalam kursus-kursus yang tercantum di atas, kami menyarankan Anda menyelami lebih dalam dengan membaca buku-buku di bawah ini. Setiap buku tersedia online, dan menawarkan materi tambahan untuk membantu Anda berlatih.
Anda bisa memulai dengan membaca Deep Learning: An MIT Press Book oleh Ian Goodfellow, Yoshua Bengio, dan Aaron Courville. Buku teks Pembelajaran Mendalam adalah sumber daya tingkat lanjut yang dimaksudkan untuk membantu siswa memperdalam pemahaman mereka. Buku ini disertai dengan situs web , yang menyediakan berbagai materi tambahan, termasuk latihan, slide kuliah, koreksi kesalahan, dan sumber daya lainnya untuk memberi Anda praktik langsung dengan konsep-konsep tersebut.
Anda juga dapat menjelajahi buku online Neural Networks and Deep Learning karya Michael Nielsen. Buku ini memberikan latar belakang teoritis tentang jaringan saraf. Ini tidak menggunakan TensorFlow, namun merupakan referensi bagus bagi siswa yang tertarik untuk mempelajari lebih lanjut.
oleh Ian Goodfellow, Yoshua Bengio, dan Aaron Courville
Buku teks Pembelajaran Mendalam ini adalah sumber daya yang dimaksudkan untuk membantu siswa dan praktisi memasuki bidang pembelajaran mesin secara umum, dan pembelajaran mendalam pada khususnya.
Buku ini memberikan latar belakang teoritis tentang jaringan saraf. Ini tidak menggunakan TensorFlow, namun merupakan referensi bagus bagi siswa yang tertarik untuk mempelajari lebih lanjut.
Langkah 3: Baca dan terapkan makalah dengan TensorFlow
Pada titik ini, kami merekomendasikan membaca makalah dan mencoba tutorial lanjutan di situs web kami, yang berisi implementasi dari beberapa publikasi terkenal. Cara terbaik untuk mempelajari aplikasi tingkat lanjut, terjemahan mesin , atau pembuatan teks gambar , adalah dengan membaca makalah yang ditautkan dari tutorial. Saat Anda mengerjakannya, temukan bagian kode yang relevan, dan gunakan untuk membantu memperkuat pemahaman Anda.
Dasar-dasar pembelajaran mesin dengan TensorFlow
Berikutnya
Spesialisasi: Dasar-dasar TensorFlow untuk pengembangan Javascript
[null,null,[],[],[],null,["# Theoretical and Advanced Machine Learning\n\n[TensorFlow](/tutorials) › [Resources](/resources/models-datasets) › [Learn ML](/resources/learn-ml) › [Guide](/resources/learn-ml/theoretical-and-advanced-machine-learning) › \n\nTheoretical and advanced machine learning with TensorFlow\n=========================================================\n\nBefore starting on the learning materials below, be sure to:\n\n1. Complete our curriculum [Basics of machine learning with TensorFlow](/resources/learn-ml/basics-of-machine-learning), or have equivalent knowledge\n\n2. Have software development experience, particularly in Python\n\nThis curriculum is a starting point for people who would like to:\n\n1. Improve their understanding of ML\n\n2. Begin understanding and implementing papers with TensorFlow\n\nYou should already have background knowledge of how ML works or completed the learning materials in the beginner curriculum [Basics of machine learning with TensorFlow](/resources/learn-ml/basics-of-machine-learning) before continuing. The below content is intended to guide learners to more theoretical and advanced machine learning content. You will see that many of the resources use TensorFlow, however, the knowledge is transferable to other ML frameworks.\n\nTo further your understanding of ML, you should have Python programming experience as well as a background in calculus, linear algebra, probability, and statistics. To help you deepen your ML knowledge, we have listed a number of recommended resources and courses from universities, as well as a couple of textbooks. \n\nStep 1: Refresh your understanding of math concepts\n---------------------------------------------------\n\nML is a math heavy discipline. If you plan to modify ML models, or build new ones from scratch, familiarity with the underlying math concepts is important. You don't have to learn all the math upfront, but instead you can look up concepts you are unfamiliar with as you come across them. If it's been a while since you've taken a math course, try watching the [Essence of linear algebra](https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab) and the [Essence of calculus](https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr) playlists from 3blue1brown for a refresher. We recommend that you continue by taking a class from a university, or watching open access lectures from MIT, such as [Linear Algebra](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) or [Single Variable Calculus](https://ocw.mit.edu/courses/mathematics/18-01-single-variable-calculus-fall-2006/). \n[Essence of Linear Algebra](https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab) \nby 3Blue1Brown \nA series of short, visual videos from 3blue1brown that explain the geometric understanding of matrices, determinants, eigen-stuffs and more. \nFree [View series](https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab) \nMath \n[Essence of Calculus](https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr) \nby 3Blue1Brown \nA series of short, visual videos from 3blue1brown that explain the fundamentals of calculus in a way that give you a strong understanding of the fundamental theorems, and not just how the equations work. \nFree [View series](https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr) \nMath \n[MIT 18.06: Linear Algebra](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) \nThis introductory course from MIT covers matrix theory and linear algebra. Emphasis is given to topics that will be useful in other disciplines, including systems of equations, vector spaces, determinants, eigenvalues, similarity, and positive definite matrices. \nFree [View course](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) \nMath \n[MIT 18.01: Single Variable Calculus](https://ocw.mit.edu/courses/mathematics/18-01-single-variable-calculus-fall-2006/) \nThis introductory calculus course from MIT covers differentiation and integration of functions of one variable, with applications. \nFree [View course](https://ocw.mit.edu/courses/mathematics/18-01-single-variable-calculus-fall-2006/) \nMath \n\nStep 2: Deepen your understanding of deep learning with these courses and books\n-------------------------------------------------------------------------------\n\nThere is no single course that will teach you everything you need to know about deep learning. One approach that may be helpful is to take a few courses at the same time. Although there will be overlap in the material, having multiple instructors explain concepts in different ways can be helpful, especially for complex topics. Below are several courses we recommend to help get you started. You can explore each of them together, or just choose the ones that feel the most relevant to you.\n\nRemember, the more you learn, and reinforce these concepts through practice, the more adept you will be at building and evaluating your own ML models. \n\n##### Take these courses:\n\n[MIT course 6.S191: Introduction to Deep Learning](http://introtodeeplearning.com/) is an introductory course for Deep Learning with TensorFlow from MIT and also a wonderful resource.\n\nAndrew Ng's [Deep Learning Specialization at Coursera](https://www.coursera.org/specializations/deep-learning) also teaches the foundations of deep learning, including convolutional networks, RNNS, LSTMs, and more. This specialization is designed to help you apply deep learning in your work, and to build a career in AI. \n[MIT 6.S191: Introduction to Deep Learning](http://introtodeeplearning.com/) \nIn this course from MIT, you will gain foundational knowledge of deep learning algorithms and get practical experience in building neural networks in TensorFlow. \nFree [View course](http://introtodeeplearning.com/) \nCode \nMath \nTheory \nBuild \n\nDeepLearning.AI\n[Deep Learning Specialization](https://www.coursera.org/specializations/deep-learning) \nIn five courses, you will learn the foundations of Deep Learning, understand how to build neural networks, and learn how to lead successful machine learning projects and build a career in AI. You will master not only the theory, but also see how it is applied in industry. \n[View course](https://www.coursera.org/specializations/deep-learning) \nCode \nMath \nTheory \nBuild \n\n##### ⬆ And ⬇\nRead these books:\n\nTo complement what you learn in the courses listed above, we recommend that you dive deeper by reading the books below. Each book is available online, and offers supplementary materials to help you practice.\n\nYou can start by reading [Deep Learning: An MIT Press Book](https://www.deeplearningbook.org/) by Ian Goodfellow, Yoshua Bengio, and Aaron Courville. The Deep Learning textbook is an advanced resource intended to help students deepen their understanding. The book is accompanied by [a website](http://www.deeplearningbook.org/), which provides a variety of supplementary materials, including exercises, lecture slides, corrections of mistakes, and other resources to give you hands on practice with the concepts.\n\nYou can also explore Michael Nielsen's online book [Neural Networks and Deep Learning](http://neuralnetworksanddeeplearning.com/). This book provides a theoretical background on neural networks. It does not use TensorFlow, but is a great reference for students interested in learning more. \n[Deep Learning](https://www.deeplearningbook.org/) \nby Ian Goodfellow, Yoshua Bengio, and Aaron Courville \nThis Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general, and deep learning in particular. \nFree [View book](https://www.deeplearningbook.org/) \nMath \nTheory \nBuild \n[Neural Networks and Deep Learning](http://neuralnetworksanddeeplearning.com/) \nby Michael Nielsen \nThis book provides a theoretical background on neural networks. It does not use TensorFlow, but is a great reference for students interested in learning more. \nFree [View book](http://neuralnetworksanddeeplearning.com/) \nCode \nMath \nTheory \nBuild \n\nStep 3: Read and implement papers with TensorFlow\n-------------------------------------------------\n\nAt this point, we recommend reading papers and trying the [advanced tutorials](/tutorials) on our website, which contain implementations of a few well known publications. The best way to learn an advanced application, [machine translation](/tutorials/text/transformer), or [image captioning](/tutorials/text/image_captioning), is to read the paper linked from the tutorial. As you work through it, find the relevant sections of the code, and use them to help solidify your understanding. \n[Previous\nBasics of machine learning with TensorFlow](/resources/learn-ml/basics-of-machine-learning) [Next\nSpecialization: Basics of TensorFlow for Javascript development](/resources/learn-ml/basics-of-tensorflow-for-js-development) \n\nLearn, develop and build with TensorFlow\n----------------------------------------\n\n[Get started](/learn)"]]
