Иметь опыт разработки программного обеспечения, особенно на Python.
Эта учебная программа является отправной точкой для людей, которые хотят:
Улучшить понимание ML
Начните понимать и реализовывать документы с помощью TensorFlow.
Прежде чем продолжить, у вас уже должны быть базовые знания о том, как работает машинное обучение, или вы прошли учебные материалы в учебной программе для начинающих «Основы машинного обучения с TensorFlow» . Приведенный ниже контент предназначен для ознакомления учащихся с более теоретическими и продвинутыми материалами по машинному обучению. Вы увидите, что многие ресурсы используют TensorFlow, однако знания можно перенести в другие платформы машинного обучения.
Чтобы лучше понять ML, вам необходим опыт программирования на Python, а также знания в области исчисления, линейной алгебры, теории вероятности и статистики. Чтобы помочь вам углубить свои знания в области машинного обучения, мы перечислили ряд рекомендуемых ресурсов и курсов университетов, а также пару учебников.
ML — это тяжелая математическая дисциплина. Если вы планируете изменять модели машинного обучения или создавать новые с нуля, важно знать основные математические концепции. Вам не обязательно заранее изучать всю математику, вместо этого вы можете искать понятия, с которыми вы незнакомы, по мере того, как вы с ними сталкиваетесь. Если вы давно не посещали курс математики, попробуйте посмотреть плейлисты « Сущность линейной алгебры» и «Сущность исчисления» от 3blue1brown, чтобы освежить знания. Мы рекомендуем вам продолжить обучение в университете или посмотреть лекции в открытом доступе Массачусетского технологического института, такие как линейная алгебра или исчисление с одной переменной .
Серия коротких наглядных видеороликов от 3blue1brown, которые объясняют геометрическое понимание матриц, определителей, собственных чисел и многого другого.
Серия коротких наглядных видеороликов от 3blue1brown, которые объясняют основы исчисления таким образом, чтобы дать вам четкое представление о фундаментальных теоремах, а не только о том, как работают уравнения.
Этот вводный курс Массачусетского технологического института охватывает теорию матриц и линейную алгебру. Особое внимание уделяется темам, которые будут полезны в других дисциплинах, включая системы уравнений, векторные пространства, определители, собственные значения, подобие и положительно определенные матрицы.
Этот вводный курс математического анализа от Массачусетского технологического института охватывает дифференцирование и интегрирование функций одной переменной с приложениями.
Шаг 2. Углубите свое понимание глубокого обучения с помощью этих курсов и книг.
Не существует единого курса, который научит вас всему, что вам нужно знать о глубоком обучении. Один из подходов, который может оказаться полезным, — это пройти несколько курсов одновременно. Несмотря на то, что материал будет дублироваться, несколько преподавателей могут объяснить концепции по-разному, особенно по сложным темам. Ниже приведены несколько курсов, которые мы рекомендуем, чтобы помочь вам начать работу. Вы можете изучить каждый из них вместе или просто выбрать те, которые кажутся вам наиболее актуальными.
Помните: чем больше вы узнаете и закрепите эти концепции на практике, тем лучше вы будете создавать и оценивать свои собственные модели машинного обучения.
На этом курсе Массачусетского технологического института вы получите базовые знания об алгоритмах глубокого обучения и получите практический опыт построения нейронных сетей в TensorFlow.
За пять курсов вы изучите основы глубокого обучения, поймете, как строить нейронные сети, а также научитесь руководить успешными проектами машинного обучения и строить карьеру в области искусственного интеллекта. Вы освоите не только теорию, но и увидите, как она применяется в промышленности.
Чтобы дополнить то, что вы узнаете на курсах, перечисленных выше, мы рекомендуем вам погрузиться глубже, прочитав книги ниже. Каждая книга доступна в Интернете и содержит дополнительные материалы, которые помогут вам практиковаться.
Вы можете начать с чтения «Глубокое обучение: книга MIT Press» Яна Гудфеллоу, Йошуа Бенджио и Аарона Курвиля. Учебник Deep Learning — это расширенный ресурс, призванный помочь учащимся углубить свое понимание. К книге прилагается веб-сайт , на котором представлены различные дополнительные материалы, включая упражнения, слайды лекций, исправления ошибок и другие ресурсы, которые помогут вам попрактиковаться в изучении концепций.
Вы также можете изучить онлайн-книгу Майкла Нильсена «Нейронные сети и глубокое обучение» . В этой книге представлены теоретические основы нейронных сетей. Он не использует TensorFlow, но является отличным справочником для студентов, желающих узнать больше.
Этот учебник по глубокому обучению представляет собой ресурс, призванный помочь студентам и практикам освоить область машинного обучения в целом и глубокого обучения в частности.
В этой книге представлены теоретические основы нейронных сетей. Он не использует TensorFlow, но является отличным справочником для студентов, желающих узнать больше.
Шаг 3. Прочтите и внедрите документы с помощью TensorFlow.
На этом этапе мы рекомендуем прочитать статьи и попробовать расширенные руководства на нашем веб-сайте, которые содержат реализации нескольких известных публикаций. Лучший способ изучить продвинутое приложение, машинный перевод или субтитры к изображениям — прочитать документ, ссылка на который содержится в руководстве. По мере работы находите соответствующие разделы кода и используйте их, чтобы закрепить свое понимание.
Основы машинного обучения с TensorFlow
Следующий
Специализация: основы TensorFlow для разработки 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)"]]
