Google 致力于为黑人社区推动种族平等。查看具体举措
Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Teoretyczne i zaawansowane uczenie maszynowe z TensorFlow

Zanim zaczniesz korzystać z poniższych materiałów szkoleniowych, upewnij się, że:

  1. Ukończ nasz program Podstawy uczenia maszynowego za pomocą TensorFlow lub uzyskaj równoważną wiedzę

  2. Masz doświadczenie w tworzeniu oprogramowania, szczególnie w Pythonie

Ten program jest punktem wyjścia dla osób, które chciałyby:

  1. Lepiej rozumieją ML

  2. Zacznij rozumieć i wdrażać artykuły z TensorFlow

Powinieneś już mieć podstawową wiedzę na temat działania ML lub ukończyć materiały szkoleniowe z programu nauczania dla początkujących Podstawy uczenia maszynowego z TensorFlow, zanim przejdziesz dalej z tą dodatkową zawartością. Poniższa treść ma na celu poprowadzenie uczniów do bardziej teoretycznych i zaawansowanych treści związanych z uczeniem maszynowym. Zobaczysz, że wiele zasobów korzysta z TensorFlow, jednak wiedzę można przenieść do innych platform ML.

Aby pogłębić zrozumienie ML, powinieneś mieć doświadczenie w programowaniu w Pythonie, a także podstawy w zakresie rachunku różniczkowego, algebry liniowej, prawdopodobieństwa i statystyki. Aby pomóc Ci pogłębić wiedzę z zakresu ML, wymieniliśmy szereg zalecanych zasobów i kursów z uniwersytetów, a także kilka podręczników.

Krok 1: Odśwież swoje rozumienie pojęć matematycznych

ML to ciężka dyscyplina matematyczna. Jeśli planujesz modyfikować modele ML lub budować nowe od podstaw, znajomość podstawowych pojęć matematycznych jest ważna. Nie musisz uczyć się od razu całej matematyki, ale zamiast tego możesz odszukać pojęcia, których nie znasz, gdy je napotkasz. Jeśli minęło trochę czasu, odkąd wziąłeś udział w kursie matematyki, spróbuj obejrzeć playlisty z esencją algebry liniowej i esencją rachunku różniczkowego z 3blue1brown. Zalecamy kontynuację, biorąc udział w zajęciach na uniwersytecie lub oglądając otwarte wykłady z MIT, takie jakAlgebra liniowa lub Rachunek pojedynczej zmiennej .

Pojęcia matematyczne
Esencja algebry liniowej autorstwa 3blue1brown

Seria krótkich, wizualnych filmów z 3blue1brown, które wyjaśniają geometryczne rozumienie macierzy, wyznaczników, elementów własnych i nie tylko.

Pojęcia matematyczne
Essence of Calculus autorstwa 3blue1brown

Seria krótkich, wizualnych filmów z 3blue1brown, które wyjaśniają podstawy rachunku różniczkowego, z naciskiem na podstawowe twierdzenia.

Pojęcia matematyczne
Kurs MIT 18.06: Algebra liniowa

Ten wprowadzający kurs z MIT obejmuje teorię macierzy i algebrę liniową.

Pojęcia matematyczne
Kurs MIT 18.01: Rachunek pojedynczej zmiennej

Ten wprowadzający kurs matematyki z MIT obejmuje różniczkowanie i integrację funkcji jednej zmiennej z aplikacjami.

Krok 2: Pogłęb swoje zrozumienie głębokiego uczenia się dzięki tym kursom i książkom

Nie ma jednego kursu, który nauczyłby Cię wszystkiego, co musisz wiedzieć o głębokim uczeniu się. Jedną z metod, która może być pomocna, jest udział w kilku kursach w tym samym czasie. Chociaż materiał będzie się nakładał, pomoc wielu instruktorów na różne sposoby może być pomocna, zwłaszcza w przypadku złożonych tematów. Poniżej znajduje się kilka kursów, które zalecamy, aby pomóc Ci zacząć. Możesz eksplorować każdy z nich razem lub po prostu wybrać te, które wydają Ci się najbardziej odpowiednie.

Pamiętaj, że im więcej się nauczysz i wzmocnisz te koncepcje poprzez praktykę, tym bardziej będziesz biegły w budowaniu i ocenianiu własnych modeli ML.

Weź udział w tych kursach:

CS231n: Convolutional Neural Networks for Visual Recognition to zbiór wykładów wideo i slajdów ze Stanford na temat szczegółów architektur uczenia głębokiego, z naciskiem na uczenie się kompleksowych modeli zadań widzenia komputerowego. To doskonały kurs i świetne miejsce na rozpoczęcie. Kurs MIT 6.S191: Wprowadzenie do Deep Learning to krótszy kurs wprowadzający do Deep Learning z TensorFlow z MIT, a także wspaniałe źródło. Możesz także wypróbować kolekcję kursów i wykładów MIT Deep Learning dotyczących głębokiego uczenia się, uczenia z głębokim wzmocnieniem, pojazdów autonomicznych i sztucznej inteligencji, prowadzonych przez Lexa Fridmana ”.

Wreszcie, przełomowa specjalizacja Andrew Ng w dziedzinie głębokiego uczenia się w Coursera obejmuje pięć kursów, w ramach których poznasz podstawy głębokiego uczenia, w tym sieci konwolucyjne, RNNS, LSTM i inne. Ta specjalizacja ma na celu pomóc Ci zastosować głębokie uczenie się w pracy i zbudować karierę w sztucznej inteligencji.

Średnio zaawansowane kursy online
CS231n: Konwolucyjne sieci neuronowe do rozpoznawania wizualnego

Ten kurs jest dogłębnym zagłębieniem się w szczegóły architektur głębokiego uczenia się, ze szczególnym uwzględnieniem uczenia się od końca do końca modeli zadań widzenia komputerowego, w szczególności klasyfikacji obrazów. Przeglądaj filmy z wykładami, slajdy i wcześniejsze notatki z programu nauczania z poprzednich iteracji kursu.

Średnio zaawansowane kursy online
Kurs MIT 6.S191: Wprowadzenie do Deep Learning

Na tym kursie z MIT zdobędziesz podstawową wiedzę na temat algorytmów głębokiego uczenia się i zdobędziesz praktyczne doświadczenie w budowaniu sieci neuronowych w TensorFlow.

Średnio zaawansowane kursy online
MIT Deep Learning

Zbiór kursów i wykładów MIT na temat głębokiego uczenia się, uczenia z głębokim wzmocnieniem, pojazdów autonomicznych i sztucznej inteligencji prowadzonych przez Lexa Fridmana.

Średnio zaawansowane kursy online
deeplearning.ai: Specjalizacja w Deep Learning

Na pięciu kursach nauczysz się podstaw Deep Learning i jak budować sieci neuronowe.

⬆ I ⬇ Przeczytaj te książki:

Aby uzupełnić to, czego nauczyłeś się na wymienionych powyżej kursach, zalecamy, abyś zanurkował głębiej, czytając poniższe książki. Każda książka jest dostępna online i zawiera dodatkowe materiały, które pomogą Ci ćwiczyć.

Możesz zacząć od przeczytania książki Deep Learning: An MIT Press Book autorstwa Iana Goodfellowa, Yoshua Bengio i Aarona Courville. Podręcznik Deep Learning to zaawansowane źródło, które ma pomóc uczniom pogłębić zrozumienie. Książce towarzyszy strona internetowa , która zawiera różnorodne materiały uzupełniające, w tym ćwiczenia, slajdy z wykładów, poprawki błędów i inne zasoby, które pozwolą Ci przećwiczyć koncepcje.

Możesz także zapoznać się z internetową książką Michaela Nielsena Neural Networks and Deep Learning . Ta książka zawiera teoretyczne podstawy sieci neuronowych. Nie korzysta z TensorFlow, ale jest świetnym źródłem informacji dla uczniów, którzy chcą dowiedzieć się więcej.

Książki
Deep Learning: An MIT Press Book, autorstwa Iana Goodfellowa, Yoshua Bengio i Aarona Courville

Ten podręcznik Deep Learning jest zasobem, który ma pomóc uczniom i praktykom wejść w dziedzinę uczenia maszynowego, z naciskiem na głębokie uczenie się.

Książki
Sieci neuronowe i głębokie uczenie się - Michael Nielsen

Ta książka zawiera teoretyczne podstawy sieci neuronowych. Nie korzysta z TensorFlow, ale jest świetnym punktem odniesienia.

Krok 3: Przeczytaj i zaimplementuj dokumenty za pomocą TensorFlow

W tym miejscu zalecamy przeczytanie artykułów i wypróbowanie zaawansowanych tutoriali na naszej stronie, które zawierają implementacje kilku znanych publikacji. Najlepszym sposobem nauczenia się zaawansowanej aplikacji, tłumaczenia maszynowego lub podpisów graficznych jest przeczytanie artykułu, do którego link znajduje się w samouczku. Pracując nad tym, znajdź odpowiednie sekcje kodu i wykorzystaj je, aby utrwalić swoje zrozumienie.