Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

Machine learning teorico e avanzato con TensorFlow

Prima di iniziare con i materiali didattici di seguito, assicurati di:

  1. Completa il nostro curriculum principi fondamentali di apprendimento automatico con tensorflow , o avere conoscenze equivalenti

  2. Avere esperienza nello sviluppo di software, in particolare in Python

Questo curriculum è un punto di partenza per le persone che desiderano:

  1. Migliora la loro comprensione di ML

  2. Inizia a comprendere e implementare i documenti con TensorFlow

Si dovrebbe già avere conoscenze di base di come funziona e ha completato i materiali di apprendimento nelle principiante curriculum ML principi fondamentali di apprendimento automatico con tensorflow prima di continuare. Il contenuto di seguito ha lo scopo di guidare gli studenti a contenuti di apprendimento automatico più teorici e avanzati. Vedrai che molte delle risorse utilizzano TensorFlow, tuttavia, la conoscenza è trasferibile ad altri framework ML.

Per approfondire la tua comprensione del machine learning, dovresti avere esperienza di programmazione Python oltre a un background in calcolo, algebra lineare, probabilità e statistica. Per aiutarti ad approfondire le tue conoscenze di ML, abbiamo elencato una serie di risorse e corsi consigliati dalle università, oltre a un paio di libri di testo.

Passaggio 1: aggiorna la tua comprensione dei concetti matematici

ML è una disciplina pesante per la matematica. Se prevedi di modificare i modelli ML o di crearne di nuovi da zero, è importante familiarizzare con i concetti matematici sottostanti. Non devi imparare tutta la matematica in anticipo, ma puoi cercare concetti con cui non hai familiarità man mano che li incontri. Se è stato un po 'che hai preso un corso di matematica, prova a guardare l'Essenza di algebra lineare e l' Essenza di calcolo playlist da 3blue1brown per un ripasso. Si consiglia di continuare prendendo una classe da un'università, o guardando le lezioni open access del MIT, come Algebra lineare o variabile singolo calcolo .

Essenza di Algebra Lineare
di 3Blue1Brown

Una serie di brevi video visivi di 3blue1brown che spiegano la comprensione geometrica di matrici, determinanti, cose proprie e altro ancora.

Essenza di Calcolo
di 3Blue1Brown

Una serie di brevi video visivi di 3blue1brown che spiegano i fondamenti del calcolo in un modo che ti dà una forte comprensione dei teoremi fondamentali e non solo di come funzionano le equazioni.

MIT 18.06: Algebra lineare

Questo corso introduttivo del MIT copre la teoria delle matrici e l'algebra lineare. L'accento è posto su argomenti che saranno utili in altre discipline, inclusi sistemi di equazioni, spazi vettoriali, determinanti, autovalori, similarità e matrici definite positive.

MIT 18.01: Calcolo a variabile singola

Questo corso introduttivo al calcolo del MIT copre la differenziazione e l'integrazione di funzioni di una variabile, con applicazioni.

Passaggio 2: approfondisci la tua comprensione dell'apprendimento profondo con questi corsi e libri

Non esiste un corso unico che ti insegnerà tutto ciò che devi sapere sull'apprendimento profondo. Un approccio che può essere utile è quello di seguire alcuni corsi contemporaneamente. Sebbene ci siano sovrapposizioni nel materiale, avere più istruttori che spiegano i concetti in modi diversi può essere utile, specialmente per argomenti complessi. Di seguito sono riportati diversi corsi che consigliamo per aiutarti a iniziare. Puoi esplorarli insieme o semplicemente scegliere quelli che ritieni più rilevanti per te.

Ricorda, più impari e rafforzi questi concetti attraverso la pratica, più sarai abile a costruire e valutare i tuoi modelli di machine learning.

Segui questi corsi:

MIT corso 6.S191: Introduzione a Deep Learning è un corso introduttivo per Deep Learning con tensorflow dal MIT e anche una risorsa meravigliosa.

Di Andrew Ng Deep Learning Specializzazione in Coursera insegna anche le fondamenta di apprendimento profondo, comprese le reti convoluzionali, RNR, LSTMs, e altro ancora. Questa specializzazione è progettata per aiutarti ad applicare il deep learning nel tuo lavoro e per costruire una carriera nell'IA.

MIT 6.S191: Introduzione all'apprendimento profondo

In questo corso del MIT acquisirai le conoscenze fondamentali degli algoritmi di deep learning e acquisirai esperienza pratica nella costruzione di reti neurali in TensorFlow.

Specializzazione Deep Learning

In cinque corsi imparerai le basi del Deep Learning, capirai come costruire reti neurali e imparerai come condurre progetti di apprendimento automatico di successo e costruire una carriera nell'AI. Imparerai non solo la teoria, ma vedrai anche come viene applicata nell'industria.

⬆ E ⬇ Leggi questi libri:

Per completare ciò che impari nei corsi sopra elencati, ti consigliamo di approfondire leggendo i libri di seguito. Ogni libro è disponibile online e offre materiali supplementari per aiutarti a fare pratica.

Si può iniziare con la lettura Deep Learning: Un MIT stampa da Ian Goodfellow, Yoshua Bengio, e Aaron Courville. Il libro di testo Deep Learning è una risorsa avanzata destinata ad aiutare gli studenti ad approfondire la loro comprensione. Il libro è accompagnato da un sito web , che fornisce una varietà di materiali supplementari, comprese le esercitazioni, diapositive delle lezioni, correzioni di errori, e altre risorse per darvi le mani sulla pratica con i concetti.

Puoi anche esplorare servizio di prenotazione online di Michael Nielsen Reti Neurali e Deep Learning . Questo libro fornisce un background teorico sulle reti neurali. Non usa TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.

Apprendimento approfondito
di Ian Goodfellow, Yoshua Bengio e Aaron Courville

Questo libro di testo sull'apprendimento profondo è una risorsa destinata ad aiutare studenti e professionisti a entrare nel campo dell'apprendimento automatico in generale e dell'apprendimento profondo in particolare.

Reti neurali e deep learning
di Michael Nielsen

Questo libro fornisce un background teorico sulle reti neurali. Non usa TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.

Passaggio 3: leggere e implementare i documenti con TensorFlow

A questo punto, si consiglia la lettura di carte e provare le esercitazioni avanzate sul nostro sito web, che contengono le implementazioni di alcune pubblicazioni ben noti. Il modo migliore per imparare un'applicazione avanzata, traduzione automatica , o immagine sottotitoli , è quello di leggere il giornale legato dal tutorial. Mentre lo lavori, trova le sezioni pertinenti del codice e usale per consolidare la tua comprensione.