أن يكون لديك خبرة في تطوير البرمجيات، وخاصة لغة بايثون
يعد هذا المنهج بمثابة نقطة انطلاق للأشخاص الذين يرغبون في:
تحسين فهمهم لتعلم الآلة
ابدأ في فهم الأوراق وتنفيذها باستخدام TensorFlow
يجب أن يكون لديك بالفعل معرفة أساسية بكيفية عمل تعلم الآلة أو إكمال المواد التعليمية في منهج المبتدئين أساسيات التعلم الآلي باستخدام TensorFlow قبل المتابعة. يهدف المحتوى أدناه إلى توجيه المتعلمين إلى المزيد من محتوى التعلم الآلي النظري والمتقدم. سترى أن العديد من الموارد تستخدم TensorFlow، ومع ذلك، فإن المعرفة قابلة للتحويل إلى أطر تعلم الآلة الأخرى.
لتعزيز فهمك لتعلم الآلة، يجب أن تكون لديك خبرة في برمجة بايثون بالإضافة إلى خلفية في حساب التفاضل والتكامل والجبر الخطي والاحتمالات والإحصاء. لمساعدتك على تعميق معرفتك بتعلم الآلة، قمنا بإدراج عدد من الموارد والدورات الموصى بها من الجامعات، بالإضافة إلى بعض الكتب المدرسية.
الخطوة 1: قم بتحديث فهمك لمفاهيم الرياضيات
ML هو نظام رياضي ثقيل. إذا كنت تخطط لتعديل نماذج تعلم الآلة، أو إنشاء نماذج جديدة من الصفر، فإن الإلمام بمفاهيم الرياضيات الأساسية أمر مهم. ليس عليك أن تتعلم كل الرياضيات مقدمًا، ولكن بدلاً من ذلك يمكنك البحث عن المفاهيم التي لا تعرفها عندما تصادفها. إذا مر وقت طويل منذ أن التحقت بدورة في الرياضيات، فحاول مشاهدة قوائم التشغيل "جوهر الجبر الخطي" و "جوهر حساب التفاضل والتكامل" من 3blue1brown لتجديد المعلومات. نوصيك بالاستمرار من خلال حضور فصل دراسي من إحدى الجامعات، أو مشاهدة محاضرات مفتوحة الوصول من معهد ماساتشوستس للتكنولوجيا، مثل الجبر الخطي أو حساب التفاضل والتكامل للمتغير الفردي .
سلسلة من مقاطع الفيديو المرئية القصيرة من 3blue1brown تشرح أساسيات حساب التفاضل والتكامل بطريقة تمنحك فهمًا قويًا للنظريات الأساسية، وليس فقط كيفية عمل المعادلات.
تغطي هذه الدورة التمهيدية من معهد ماساتشوستس للتكنولوجيا نظرية المصفوفات والجبر الخطي. يتم التركيز على الموضوعات التي ستكون مفيدة في التخصصات الأخرى، بما في ذلك أنظمة المعادلات، والمساحات المتجهة، والمحددات، والقيم الذاتية، والتشابه، والمصفوفات المحددة الإيجابية.
الخطوة 2: قم بتعميق فهمك للتعلم العميق من خلال هذه الدورات والكتب
لا توجد دورة واحدة ستعلمك كل ما تحتاج لمعرفته حول التعلم العميق. أحد الأساليب التي قد تكون مفيدة هو أخذ عدة دورات في نفس الوقت. على الرغم من أنه سيكون هناك تداخل في المادة، إلا أن وجود مدرسين متعددين يشرحون المفاهيم بطرق مختلفة يمكن أن يكون مفيدًا، خاصة بالنسبة للموضوعات المعقدة. فيما يلي العديد من الدورات التدريبية التي نوصي بها لمساعدتك في البدء. يمكنك استكشاف كل واحد منهم معًا، أو فقط اختيار ما يناسبك أكثر.
تذكر أنه كلما تعلمت أكثر، وعززت هذه المفاهيم من خلال الممارسة، كلما أصبحت أكثر مهارة في بناء وتقييم نماذج تعلم الآلة الخاصة بك.
يعلم تخصص Andrew Ng للتعلم العميق في Coursera أيضًا أسس التعلم العميق، بما في ذلك الشبكات التلافيفية وRNNS وLSTMs والمزيد. تم تصميم هذا التخصص لمساعدتك على تطبيق التعلم العميق في عملك، وبناء مهنة في مجال الذكاء الاصطناعي.
في هذه الدورة من معهد ماساتشوستس للتكنولوجيا، سوف تكتسب معرفة أساسية بخوارزميات التعلم العميق وستحصل على خبرة عملية في بناء الشبكات العصبية في TensorFlow.
في خمس دورات، ستتعلم أساسيات التعلم العميق، وتفهم كيفية بناء الشبكات العصبية، وتتعلم كيفية قيادة مشاريع التعلم الآلي الناجحة وبناء مهنة في مجال الذكاء الاصطناعي. لن تتقن النظرية فحسب، بل ستتعرف أيضًا على كيفية تطبيقها في الصناعة.
لاستكمال ما تتعلمه في الدورات المذكورة أعلاه، ننصحك بالتعمق أكثر من خلال قراءة الكتب أدناه. كل كتاب متاح على الإنترنت، ويقدم مواد تكميلية لمساعدتك على التدريب.
يمكنك البدء بقراءة التعلم العميق: كتاب صحفي لمعهد ماساتشوستس للتكنولوجيا من تأليف إيان جودفيلو، ويوشوا بينجيو، وآرون كورفيل. يُعد كتاب التعلم العميق مصدرًا متقدمًا يهدف إلى مساعدة الطلاب على تعميق فهمهم. يرافق الكتاب موقع على شبكة الإنترنت ، والذي يوفر مجموعة متنوعة من المواد التكميلية، بما في ذلك التمارين وشرائح المحاضرات وتصحيحات الأخطاء وغيرها من الموارد لتمنحك التدريب العملي على المفاهيم.
يمكنك أيضًا استكشاف كتاب مايكل نيلسن عبر الإنترنت الشبكات العصبية والتعلم العميق . يقدم هذا الكتاب خلفية نظرية عن الشبكات العصبية. لا يستخدم TensorFlow، ولكنه مرجع رائع للطلاب المهتمين بمعرفة المزيد.
الخطوة 3: قراءة الأوراق وتنفيذها باستخدام TensorFlow
في هذه المرحلة، نوصي بقراءة الأبحاث وتجربة البرامج التعليمية المتقدمة على موقعنا، والتي تحتوي على تطبيقات لعدد قليل من المنشورات المعروفة. أفضل طريقة لتعلم تطبيق متقدم، أو الترجمة الآلية ، أو التعليق على الصور ، هي قراءة الورقة المرتبطة من البرنامج التعليمي. أثناء العمل عليه، ابحث عن الأقسام ذات الصلة من الكود، واستخدمها للمساعدة في تعزيز فهمك.
أساسيات التعلم الآلي مع TensorFlow
التالي
التخصص: أساسيات TensorFlow لتطوير جافا سكريبت
[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)"]]
