Tener experiencia en desarrollo de software, particularmente en Python.
Este plan de estudios es un punto de partida para las personas que deseen:
Mejorar su comprensión del ML
Comience a comprender e implementar documentos con TensorFlow
Ya debería tener conocimientos previos sobre cómo funciona ML o haber completado los materiales de aprendizaje en el plan de estudios para principiantes Conceptos básicos del aprendizaje automático con TensorFlow antes de continuar. El siguiente contenido está destinado a guiar a los estudiantes hacia contenidos de aprendizaje automático más teóricos y avanzados. Verá que muchos de los recursos utilizan TensorFlow; sin embargo, el conocimiento es transferible a otros marcos de ML.
Para mejorar su comprensión del ML, debe tener experiencia en programación en Python, así como experiencia en cálculo, álgebra lineal, probabilidad y estadística. Para ayudarlo a profundizar sus conocimientos de ML, hemos enumerado una serie de recursos y cursos recomendados de universidades, así como un par de libros de texto.
Paso 1: actualice su comprensión de los conceptos matemáticos
ML es una disciplina con mucha matemática. Si planea modificar modelos de ML o crear otros nuevos desde cero, es importante estar familiarizado con los conceptos matemáticos subyacentes. No es necesario que aprendas todas las matemáticas de antemano, sino que puedes buscar conceptos con los que no estás familiarizado a medida que los encuentres. Si ha pasado un tiempo desde que tomó un curso de matemáticas, intente ver las listas de reproducción Esencia de álgebra lineal y Esencia de cálculo de 3blue1brown para un repaso. Te recomendamos que continúes tomando una clase de una universidad o viendo conferencias de acceso abierto del MIT, como Álgebra lineal o Cálculo de variable única .
Una serie de videos visuales cortos de 3blue1brown que explican los fundamentos del cálculo de una manera que le brinda una sólida comprensión de los teoremas fundamentales, y no solo de cómo funcionan las ecuaciones.
Este curso introductorio del MIT cubre la teoría de matrices y el álgebra lineal. Se da énfasis a temas que serán útiles en otras disciplinas, incluidos sistemas de ecuaciones, espacios vectoriales, determinantes, valores propios, similitudes y matrices definidas positivas.
Paso 2: Profundice su comprensión del aprendizaje profundo con estos cursos y libros
No existe un curso único que le enseñe todo lo que necesita saber sobre el aprendizaje profundo. Un enfoque que puede resultar útil es realizar algunos cursos al mismo tiempo. Aunque habrá superposiciones en el material, puede ser útil que varios instructores expliquen conceptos de diferentes maneras, especialmente para temas complejos. A continuación se presentan varios cursos que recomendamos para ayudarle a comenzar. Pueden explorar cada uno de ellos juntos o simplemente elegir los que le parezcan más relevantes.
Recuerde, cuanto más aprenda y refuerce estos conceptos mediante la práctica, más hábil será para crear y evaluar sus propios modelos de ML.
La especialización en aprendizaje profundo de Andrew Ng en Coursera también enseña los fundamentos del aprendizaje profundo, incluidas las redes convolucionales, RNNS, LSTM y más. Esta especialización está diseñada para ayudarlo a aplicar el aprendizaje profundo en su trabajo y desarrollar una carrera en IA.
En este curso del MIT, obtendrá conocimientos fundamentales sobre algoritmos de aprendizaje profundo y obtendrá experiencia práctica en la construcción de redes neuronales en TensorFlow.
En cinco cursos, aprenderá los fundamentos del aprendizaje profundo, comprenderá cómo construir redes neuronales y aprenderá cómo liderar proyectos exitosos de aprendizaje automático y desarrollar una carrera en IA. Dominará no sólo la teoría, sino que también verá cómo se aplica en la industria.
Para complementar lo que aprende en los cursos enumerados anteriormente, le recomendamos que profundice leyendo los libros a continuación. Cada libro está disponible en línea y ofrece materiales complementarios para ayudarle a practicar.
Puede comenzar leyendo Aprendizaje profundo: un libro de prensa del MIT de Ian Goodfellow, Yoshua Bengio y Aaron Courville. El libro de texto Deep Learning es un recurso avanzado destinado a ayudar a los estudiantes a profundizar su comprensión. El libro va acompañado de un sitio web que proporciona una variedad de materiales complementarios, incluidos ejercicios, diapositivas de conferencias, correcciones de errores y otros recursos para que pueda practicar los conceptos.
También puede explorar el libro en línea de Michael Nielsen Neural Networks and Deep Learning . Este libro proporciona una base teórica sobre las redes neuronales. No utiliza TensorFlow, pero es una gran referencia para los estudiantes interesados en aprender más.
por Ian Goodfellow, Yoshua Bengio y Aaron Courville
Este libro de texto sobre aprendizaje profundo es un recurso destinado a ayudar a estudiantes y profesionales a ingresar al campo del aprendizaje automático en general y al aprendizaje profundo en particular.
Este libro proporciona una base teórica sobre las redes neuronales. No utiliza TensorFlow, pero es una gran referencia para los estudiantes interesados en aprender más.
Paso 3: leer e implementar artículos con TensorFlow
En este punto, recomendamos leer artículos y probar los tutoriales avanzados en nuestro sitio web, que contienen implementaciones de algunas publicaciones conocidas. La mejor manera de aprender una aplicación avanzada, traducción automática o subtítulos de imágenes es leer el documento vinculado desde el tutorial. A medida que lo avance, busque las secciones relevantes del código y utilícelas para solidificar su comprensión.
Conceptos básicos del aprendizaje automático con TensorFlow
Próximo
Especialización: Conceptos básicos de TensorFlow para el desarrollo de 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)"]]
