تجربه توسعه نرم افزار به خصوص در پایتون داشته باشید
این برنامه درسی نقطه شروعی برای افرادی است که مایلند:
درک آنها از ML را بهبود بخشد
درک و پیاده سازی مقالات را با TensorFlow آغاز کنید
قبل از ادامه، باید دانش پیش زمینه ای در مورد نحوه کار ML یا تکمیل مواد آموزشی در برنامه درسی مبتدی مبانی یادگیری ماشین با TensorFlow داشته باشید. محتوای زیر برای راهنمایی فراگیران به سمت محتوای یادگیری ماشینی تئوری و پیشرفته تر در نظر گرفته شده است. خواهید دید که بسیاری از منابع از TensorFlow استفاده می کنند، با این حال، دانش قابل انتقال به سایر چارچوب های ML است.
برای درک بیشتر خود از ML، باید تجربه برنامه نویسی پایتون و همچنین پیش زمینه ای در حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار داشته باشید. برای کمک به تعمیق دانش ML خود، تعدادی از منابع و دوره های توصیه شده از دانشگاه ها و همچنین چند کتاب درسی را فهرست کرده ایم.
مرحله 1: درک خود را از مفاهیم ریاضی تجدید کنید
ML یک رشته ریاضی سنگین است. اگر قصد دارید مدل‌های ML را اصلاح کنید، یا مدل‌های جدید را از ابتدا بسازید، آشنایی با مفاهیم اساسی ریاضی مهم است. لازم نیست تمام ریاضیات را از قبل یاد بگیرید، اما در عوض می توانید مفاهیمی را که با آنها آشنا نیستید، جستجو کنید. اگر مدتی است که یک دوره ریاضی را گذرانده‌اید، سعی کنید فهرست‌های پخش Essence of algebra linear و Essence of calculus را از 3blue1brown برای تجدید نظر تماشا کنید. توصیه می‌کنیم با شرکت در کلاسی از دانشگاه یا تماشای سخنرانی‌های دسترسی آزاد از MIT، مانند جبر خطی یا حساب متغیر منفرد، ادامه دهید.
مجموعه ای از ویدیوهای کوتاه و تصویری از 3blue1brown که اصول حساب دیفرانسیل و انتگرال را به گونه ای توضیح می دهد که به شما درک قوی از قضایای اساسی و نه فقط نحوه کار معادلات می دهد.
این دوره مقدماتی از MIT نظریه ماتریس و جبر خطی را پوشش می دهد. تاکید بر موضوعاتی است که در رشته های دیگر مفید خواهد بود، از جمله سیستم های معادلات، فضاهای برداری، تعیین کننده ها، مقادیر ویژه، شباهت ها و ماتریس های قطعی مثبت.
مرحله 2: درک خود را از یادگیری عمیق با این دوره ها و کتاب ها عمیق تر کنید
هیچ دوره واحدی وجود ندارد که هر آنچه را که باید در مورد یادگیری عمیق بدانید را به شما آموزش دهد. یکی از رویکردهایی که ممکن است مفید باشد، گذراندن چند دوره به طور همزمان است. اگرچه در مطالب همپوشانی وجود خواهد داشت، داشتن چندین مربی که مفاهیم را به روش های مختلف توضیح می دهند می تواند مفید باشد، به خصوص برای موضوعات پیچیده. در زیر چندین دوره وجود دارد که ما برای کمک به شروع به شما توصیه می کنیم. شما می توانید هر یک از آنها را با هم کاوش کنید، یا فقط مواردی را انتخاب کنید که بیشتر به شما مربوط است.
به یاد داشته باشید، هرچه بیشتر یاد بگیرید و این مفاهیم را از طریق تمرین تقویت کنید، در ساخت و ارزیابی مدل‌های ML خود مهارت بیشتری خواهید داشت.
تخصص یادگیری عمیق Andrew Ng در Coursera همچنین پایه های یادگیری عمیق، از جمله شبکه های کانولوشن، RNNS، LSTM و موارد دیگر را آموزش می دهد. این تخصص برای کمک به شما در استفاده از یادگیری عمیق در کار خود و ایجاد یک حرفه در هوش مصنوعی طراحی شده است.
در این دوره آموزشی از MIT، دانش پایه ای از الگوریتم های یادگیری عمیق به دست خواهید آورد و تجربه عملی در ساخت شبکه های عصبی در TensorFlow کسب خواهید کرد.
در پنج دوره آموزشی، پایه‌های یادگیری عمیق را یاد خواهید گرفت، نحوه ساخت شبکه‌های عصبی را می‌شناسید، و یاد می‌گیرید که چگونه پروژه‌های یادگیری ماشینی موفق را رهبری کنید و شغلی در هوش مصنوعی ایجاد کنید. شما نه تنها به تئوری تسلط خواهید داشت، بلکه نحوه کاربرد آن در صنعت را نیز خواهید دید.
برای تکمیل آنچه در دوره های ذکر شده در بالا یاد می گیرید، توصیه می کنیم با مطالعه کتاب های زیر عمیق تر شوید. هر کتاب به صورت آنلاین در دسترس است و مطالب تکمیلی را برای کمک به تمرین شما ارائه می دهد.
می‌توانید با خواندن کتاب یادگیری عمیق: کتاب مطبوعاتی MIT توسط یان گودفلو، یوشوا بنجیو و آرون کورویل شروع کنید. کتاب درسی Deep Learning منبعی پیشرفته است که برای کمک به دانش آموزان در درک عمیق خود در نظر گرفته شده است. این کتاب با یک وب سایت همراه است که انواع مختلفی از مواد تکمیلی، از جمله تمرین ها، اسلایدهای سخنرانی، تصحیح اشتباهات، و سایر منابع را ارائه می دهد تا به شما کمک کند تا مفاهیم را تمرین کنید.
همچنین می‌توانید کتاب آنلاین مایکل نیلسن، شبکه‌های عصبی و یادگیری عمیق را بررسی کنید. این کتاب پیشینه ای نظری در مورد شبکه های عصبی ارائه می دهد. از TensorFlow استفاده نمی کند، اما یک مرجع عالی برای دانش آموزانی است که علاقه مند به یادگیری بیشتر هستند.
این کتاب درسی یادگیری عمیق منبعی است که برای کمک به دانش‌آموزان و شاغلین در ورود به حوزه یادگیری ماشینی به طور کلی و یادگیری عمیق به طور خاص طراحی شده است.
این کتاب پیشینه ای نظری در مورد شبکه های عصبی ارائه می دهد. از TensorFlow استفاده نمی کند، اما یک مرجع عالی برای دانش آموزانی است که علاقه مند به یادگیری بیشتر هستند.
در این مرحله، توصیه می کنیم مقالات را بخوانید و آموزش های پیشرفته را در وب سایت خود امتحان کنید، که شامل پیاده سازی چند نشریه معروف است. بهترین راه برای یادگیری یک برنامه کاربردی پیشرفته، ترجمه ماشینی ، یا شرح تصویر ، خواندن مقاله لینک شده از آموزش است. همانطور که روی آن کار می کنید، بخش های مربوط به کد را پیدا کنید و از آنها برای تقویت درک خود استفاده کنید.
مبانی یادگیری ماشین با TensorFlow
بعد
تخصص: مبانی TensorFlow برای توسعه جاوا اسکریپت
[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)"]]
