אתה כבר אמור להיות בעל ידע רקע כיצד עובד ML או להשלים את חומרי הלמידה בתוכנית הלימודים למתחילים יסודות למידת מכונה עם TensorFlow לפני שתמשיך. התוכן שלהלן נועד להדריך את הלומדים לתוכן לימוד מכונה תיאורטי ומתקדם יותר. תראה שרבים מהמשאבים משתמשים ב-TensorFlow, עם זאת, הידע ניתן להעברה למסגרות ML אחרות.
כדי לקדם את ההבנה שלך ב-ML, אתה צריך להיות בעל ניסיון בתכנות Python וכן רקע בחשבון, אלגברה לינארית, הסתברות וסטטיסטיקה. כדי לעזור לך להעמיק את הידע שלך ב-ML, רשמנו מספר משאבים וקורסים מומלצים מאוניברסיטאות, כמו גם כמה ספרי לימוד.
שלב 1: רענן את ההבנה שלך במושגים מתמטיים
ML הוא מקצוע כבד במתמטיקה. אם אתה מתכנן לשנות מודלים של ML, או לבנות חדשים מאפס, היכרות עם המושגים המתמטיים הבסיסיים היא חשובה. אתה לא צריך ללמוד את כל המתמטיקה מראש, אבל במקום זאת אתה יכול לחפש מושגים שאתה לא מכיר כשאתה נתקל בהם. אם עבר זמן מה מאז שלמדת קורס מתמטיקה, נסה לצפות במהות האלגברה הליניארית וברשימות ההשמעה של המהות של calculus מ-3blue1brown לצורך רענון. אנו ממליצים להמשיך בשיעור מאוניברסיטה, או לצפות בהרצאות בגישה פתוחה מ-MIT, כגון אלגברה לינארית או חשבון משתנה יחיד .
קורס מבוא זה מ-MIT מכסה את תורת המטריצות ואלגברה לינארית. ניתן דגש לנושאים שיהיו שימושיים בדיסציפלינות אחרות, כולל מערכות משוואות, מרחבים וקטוריים, דטרמיננטים, ערכים עצמיים, דמיון ומטריצות מוגדרות חיוביות.
שלב 2: העמק את ההבנה שלך בלמידה עמוקה עם הקורסים והספרים האלה
אין קורס אחד שילמד אותך את כל מה שאתה צריך לדעת על למידה עמוקה. גישה אחת שעשויה להועיל היא לקחת כמה קורסים במקביל. למרות שתהיה חפיפה בחומר, מתן מדריכים מרובים להסביר מושגים בדרכים שונות יכול להיות מועיל, במיוחד עבור נושאים מורכבים. להלן מספר קורסים שאנו ממליצים לעזור לך להתחיל. אתה יכול לחקור כל אחד מהם ביחד, או פשוט לבחור את אלה שמרגישים לך הכי רלוונטיים.
זכור, ככל שתלמד יותר ותחזק את המושגים הללו באמצעות תרגול, כך תהיה מיומן יותר בבנייה והערכת מודלים של ML משלך.
ההתמחות בלמידה עמוקה של Andrew Ng ב-Coursera מלמדת גם את היסודות של למידה עמוקה, כולל רשתות קונבולוציוניות, RNNS, LSTMs ועוד. התמחות זו נועדה לעזור לך ליישם למידה עמוקה בעבודה שלך, ולבנות קריירה בבינה מלאכותית.
בחמישה קורסים תלמדו את היסודות של Deep Learning, תבינו כיצד לבנות רשתות עצביות וללמוד כיצד להוביל פרויקטים מוצלחים של למידת מכונה ולבנות קריירה ב-AI. תוכל לשלוט לא רק בתיאוריה, אלא גם לראות כיצד היא מיושמת בתעשייה.
כדי להשלים את מה שאתה לומד בקורסים המפורטים לעיל, אנו ממליצים לך לצלול לעומק על ידי קריאת הספרים למטה. כל ספר זמין באינטרנט, ומציע חומרים משלימים שיעזרו לך להתאמן.
אתה יכול להתחיל בקריאת Deep Learning: An MIT Press Book מאת איאן גודפלו, יושע בנג'יו ואהרון קורוויל. ספר הלימוד למידה עמוקה הוא משאב מתקדם שנועד לעזור לתלמידים להעמיק את הבנתם. הספר מלווה באתר אינטרנט , המספק מגוון חומרים משלימים, לרבות תרגילים, שקופיות הרצאות, תיקוני טעויות ומשאבים נוספים שיאפשרו לך להתאמן על המושגים.
אתה יכול גם לחקור את הספר המקוון של מייקל נילסן רשתות עצביות ולמידה עמוקה . ספר זה מספק רקע תיאורטי על רשתות עצביות. הוא אינו משתמש ב-TensorFlow, אך מהווה אסמכתא מצוינת לסטודנטים המעוניינים ללמוד יותר.
בשלב זה, אנו ממליצים לקרוא מאמרים ולנסות את ההדרכות המתקדמות באתר האינטרנט שלנו, המכילות יישומים של כמה פרסומים ידועים. הדרך הטובה ביותר ללמוד יישום מתקדם, תרגום מכונה או כיתוב תמונה , היא לקרוא את המאמר המקושר מהמדריך. בזמן שאתה עובד על זה, מצא את הקטעים הרלוונטיים של הקוד, והשתמש בהם כדי לעזור לגבש את ההבנה שלך.
יסודות למידת מכונה עם TensorFlow
הַבָּא
התמחות: יסודות TensorFlow לפיתוח 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)"]]
