Avere esperienza nello sviluppo di software, in particolare in Python
Questo curriculum è un punto di partenza per le persone che desiderano:
Migliorare la loro comprensione del ML
Inizia a comprendere e implementare i documenti con TensorFlow
Prima di continuare, dovresti già avere una conoscenza di base di come funziona il machine learning o aver completato i materiali didattici nel curriculum per principianti Nozioni di base sull'apprendimento automatico con TensorFlow . Il contenuto seguente ha lo scopo di guidare gli studenti verso contenuti di machine learning 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 e conoscenze di calcolo, algebra lineare, probabilità e statistica. Per aiutarti ad approfondire le tue conoscenze sul machine learning, 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
Il ML è una disciplina matematica pesante. Se prevedi di modificare modelli ML o di crearne di nuovi da zero, è importante avere familiarità con i concetti matematici sottostanti. Non è necessario imparare tutti i calcoli in anticipo, ma puoi invece cercare concetti con cui non hai familiarità man mano che li incontri. Se è passato un po' di tempo dall'ultima volta che hai seguito un corso di matematica, prova a guardare le playlist Essence of linear algebra e Essence of calculus di 3blue1brown per rinfrescarti le idee. Ti consigliamo di continuare frequentando un corso presso un'università o guardando lezioni ad accesso aperto del MIT, come Algebra lineare o Calcolo a variabile singola .
Una serie di brevi video visivi di 3blue1brown che spiegano la comprensione geometrica di matrici, determinanti, elementi degli autonomi e altro ancora.
Una serie di brevi video visivi di 3blue1brown che spiegano i fondamenti del calcolo infinitesimale in modo da darti una profonda comprensione dei teoremi fondamentali e non solo di come funzionano le equazioni.
Questo corso introduttivo del MIT copre la teoria delle matrici e l'algebra lineare. Viene data enfasi ad argomenti che saranno utili in altre discipline, inclusi sistemi di equazioni, spazi vettoriali, determinanti, autovalori, somiglianza e matrici definite positive.
Passaggio 2: approfondisci la tua comprensione del deep learning con questi corsi e libri
Non esiste un corso unico che ti insegnerà tutto ciò che devi sapere sul deep learning. Un approccio che può essere utile è seguire più corsi contemporaneamente. Anche se ci saranno sovrapposizioni nel materiale, avere più istruttori che spiegano i concetti in modi diversi può essere utile, soprattutto 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.
Ricorda, più impari e rinforzi questi concetti attraverso la pratica, più sarai abile nel costruire e valutare i tuoi modelli ML.
La specializzazione Deep Learning di Andrew Ng presso Coursera insegna anche le basi del deep learning, comprese reti convoluzionali, RNNS, LSTM e altro ancora. Questa specializzazione è progettata per aiutarti ad applicare il deep learning nel tuo lavoro e a costruire una carriera nell'intelligenza artificiale.
In questo corso del MIT acquisirai una conoscenza di base degli algoritmi di deep learning e acquisirai esperienza pratica nella costruzione di reti neurali in TensorFlow.
In cinque corsi imparerai le basi del Deep Learning, capirai come costruire reti neurali e imparerai come condurre progetti di machine learning di successo e costruire una carriera nell'intelligenza artificiale. Potrai padroneggiare non solo la teoria, ma vedrai anche come viene applicata nell'industria.
Per integrare 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 esercitarti.
Puoi iniziare leggendo Deep Learning: An MIT Press Book di 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 propria comprensione. Il libro è accompagnato da un sito Web che fornisce una varietà di materiali supplementari, inclusi esercizi, diapositive delle lezioni, correzioni di errori e altre risorse per darti un'esperienza pratica con i concetti.
Puoi anche esplorare il libro online di Michael Nielsen Neural Networks and Deep Learning . Questo libro fornisce un background teorico sulle reti neurali. Non utilizza TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.
di Ian Goodfellow, Yoshua Bengio e Aaron Courville
Questo libro di testo sul Deep Learning è una risorsa destinata ad aiutare studenti e professionisti a entrare nel campo dell'apprendimento automatico in generale e del deep learning in particolare.
Questo libro fornisce un background teorico sulle reti neurali. Non utilizza TensorFlow, ma è un ottimo riferimento per gli studenti interessati a saperne di più.
Passaggio 3: leggi e implementa i documenti con TensorFlow
A questo punto, ti consigliamo di leggere articoli e provare i tutorial avanzati sul nostro sito Web, che contengono implementazioni di alcune pubblicazioni ben note. Il modo migliore per apprendere un'applicazione avanzata, la traduzione automatica o la didascalia delle immagini , è leggere l'articolo collegato al tutorial. Mentre lo lavori, trova le sezioni pertinenti del codice e usale per consolidare la tua comprensione.
Nozioni di base sull'apprendimento automatico con TensorFlow
Prossimo
Specializzazione: Nozioni di base di TensorFlow per lo sviluppo 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)"]]
