یادگیری ماشینی تئوری و پیشرفته با TensorFlow

قبل از شروع مطالب آموزشی زیر، مطمئن شوید:

  1. برنامه درسی ما مبانی یادگیری ماشین را با TensorFlow کامل کنید یا دانشی معادل آن داشته باشید

  2. تجربه توسعه نرم افزار به خصوص در پایتون داشته باشید

این برنامه درسی نقطه شروعی برای افرادی است که مایلند:

  1. درک آنها از ML را بهبود بخشد

  2. درک و پیاده سازی مقالات را با TensorFlow آغاز کنید

قبل از ادامه، باید از قبل از نحوه کار ML یا تکمیل مواد آموزشی در برنامه درسی مبتدی مبانی یادگیری ماشینی با TensorFlow دانش پیش زمینه 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 ناآشنا هستید 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.

جوهر جبر خطی
توسط 3Blue1Brown

مجموعه‌ای از ویدیوهای کوتاه و بصری از 3blue1brown که درک هندسی ماتریس‌ها، تعیین‌کننده‌ها، موارد خاص و موارد دیگر را توضیح می‌دهد.

جوهر حساب دیفرانسیل و انتگرال
توسط 3Blue1Brown

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.

MIT 18.06: جبر خطی

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.

MIT 18.01: حساب تک متغیری

این دوره مقدماتی حساب دیفرانسیل و انتگرال از MIT تمایز و ادغام توابع یک متغیر را با برنامه های کاربردی پوشش می دهد.

مرحله 2: درک خود را از یادگیری عمیق با این دوره ها و کتاب ها عمیق 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 ارائه شده است که ما برای کمک به شروع به شما توصیه می کنیم. می توانید هر یک از آنها را با هم کاوش کنید، یا فقط آنهایی را انتخاب کنید که بیشتر به شما مربوط هستند.

به یاد داشته باشید، هرچه بیشتر یاد بگیرید و این مفاهیم را از طریق تمرین تقویت کنید، در ساختن و ارزیابی مدل های ML خود مهارت بیشتری خواهید داشت.

در این دوره ها شرکت کنید:

MIT course 6.S191: Introduction to Deep Learning یک دوره مقدماتی برای یادگیری عمیق با TensorFlow از MIT و همچنین یک منبع فوق العاده است.

تخصص یادگیری عمیق Andrew Ng در Coursera همچنین مبانی 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.

MIT 6.S191: مقدمه ای بر یادگیری عمیق

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.

تخصص یادگیری عمیق

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.

⬆ و ⬇ این کتاب ها را بخوانید:

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.

می توانید با خواندن کتاب یادگیری عمیق: کتاب مطبوعاتی MIT توسط ایان گودفلو، یوشوا بنجیو و آرون کورویل شروع کنید. کتاب درسی Deep Learning منبعی پیشرفته است که به دانش آموزان کمک می کند تا درک خود را عمیق تر کنند. این کتاب با یک وب‌سایت همراه است که انواع مختلفی از مواد تکمیلی، از جمله تمرین‌ها، اسلایدهای سخنرانی، تصحیح اشتباهات و سایر منابع را ارائه می‌دهد 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.

یادگیری عمیق
توسط یان گودفلو، یوشوا بنجیو و آرون کورویل

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.

شبکه های عصبی و یادگیری عمیق
توسط مایکل نیلسن

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.

مرحله 3: خواندن و پیاده سازی مقالات با TensorFlow

در این مرحله، توصیه می‌کنیم مقالات را بخوانید و آموزش‌های پیشرفته را در وب‌سایت خود امتحان کنید، که شامل اجرای 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.