Masz doświadczenie w tworzeniu oprogramowania, szczególnie w Pythonie
Ten program nauczania jest punktem wyjścia dla osób, które chcą:
Popraw swoje zrozumienie ML
Rozpocznij zrozumienie i wdrażanie dokumentów za pomocą TensorFlow
Przed kontynuowaniem powinieneś już mieć podstawową wiedzę na temat działania ML lub ukończyć materiały edukacyjne w programie nauczania dla początkujących Podstawy uczenia maszynowego z TensorFlow . Poniższa treść ma na celu poprowadzić uczniów do bardziej teoretycznych i zaawansowanych treści związanych z uczeniem maszynowym. Zobaczysz, że wiele zasobów korzysta z TensorFlow, jednak wiedzę tę można przenieść do innych frameworków ML.
Aby lepiej zrozumieć ML, powinieneś mieć doświadczenie w programowaniu w języku Python, a także wiedzę z zakresu rachunku różniczkowego, algebry liniowej, prawdopodobieństwa i statystyki. Aby pomóc Ci pogłębić wiedzę z zakresu ML, przygotowaliśmy szereg polecanych zasobów i kursów z uniwersytetów, a także kilka podręczników.
Krok 1: Odśwież swoje rozumienie pojęć matematycznych
ML jest dyscypliną matematyczną. Jeśli planujesz modyfikować modele uczenia maszynowego lub tworzyć nowe od podstaw, ważna jest znajomość podstawowych pojęć matematycznych. Nie musisz od razu uczyć się całej matematyki, ale zamiast tego możesz wyszukiwać pojęcia, których nie znasz, gdy się z nimi spotkasz. Jeśli minęło trochę czasu, odkąd uczęszczałeś na kurs matematyki, spróbuj obejrzeć playlisty „Esencja algebry liniowej” i „Istota rachunku różniczkowego” z 3blue1brown, aby odświeżyć sobie wiedzę. Zalecamy kontynuowanie zajęć na uniwersytecie lub oglądanie wykładów z MIT w otwartym dostępie, takich jak algebra liniowa lub rachunek pojedynczych zmiennych .
Seria krótkich, wizualnych filmów z 3blue1brown, które wyjaśniają podstawy rachunku różniczkowego w sposób zapewniający dobre zrozumienie podstawowych twierdzeń, a nie tylko działania równań.
Ten kurs wprowadzający na MIT obejmuje teorię macierzy i algebrę liniową. Nacisk położony jest na tematy, które będą przydatne w innych dyscyplinach, w tym układy równań, przestrzenie wektorowe, wyznaczniki, wartości własne, podobieństwo i dodatnio określone macierze.
Krok 2: Pogłęb swoje zrozumienie głębokiego uczenia się dzięki tym kursom i książkom
Nie ma jednego kursu, który nauczy Cię wszystkiego, co musisz wiedzieć o głębokim uczeniu się. Pomocnym rozwiązaniem może być uczestnictwo w kilku kursach jednocześnie. Chociaż materiały będą się pokrywać, pomocne może być wyjaśnienie pojęć przez wielu instruktorów na różne sposoby, szczególnie w przypadku skomplikowanych tematów. Poniżej znajduje się kilka kursów, które polecamy na początek. Możesz zbadać każdy z nich razem lub po prostu wybrać te, które wydają Ci się najbardziej odpowiednie.
Pamiętaj, że im więcej się nauczysz i utrwalisz te koncepcje w praktyce, tym bardziej biegły będziesz w budowaniu i ocenianiu własnych modeli uczenia maszynowego.
Na tym kursie na MIT zdobędziesz podstawową wiedzę na temat algorytmów głębokiego uczenia się i zdobędziesz praktyczne doświadczenie w budowaniu sieci neuronowych w TensorFlow.
Podczas pięciu kursów poznasz podstawy głębokiego uczenia się, zrozumiesz, jak budować sieci neuronowe, dowiesz się, jak prowadzić udane projekty uczenia maszynowego i budować karierę w sztucznej inteligencji. Opanujesz nie tylko teorię, ale także zobaczysz, jak jest ona stosowana w przemyśle.
Aby uzupełnić wiedzę zdobytą na powyższych kursach, zalecamy zagłębienie się w lekturę poniższych książek. Każda książka jest dostępna online i zawiera dodatkowe materiały pomocne w praktyce.
Możesz zacząć od przeczytania Deep Learning: An MIT Press Book autorstwa Iana Goodfellowa, Yoshuy Bengio i Aarona Courville’a. Podręcznik Deep Learning to zaawansowany zasób, który ma pomóc uczniom w pogłębieniu zrozumienia. Do książki dołączona jest witryna internetowa zawierająca różnorodne materiały dodatkowe, w tym ćwiczenia, slajdy z wykładów, poprawki błędów i inne zasoby umożliwiające praktyczne wykorzystanie pojęć.
Możesz także zapoznać się z internetową książką Michaela Nielsena Sieci neuronowe i głębokie uczenie się . W tej książce przedstawiono teoretyczne podstawy sieci neuronowych. Nie korzysta z TensorFlow, ale jest doskonałym źródłem informacji dla studentów zainteresowanych pogłębieniem wiedzy.
autorzy: Ian Goodfellow, Yoshua Bengio i Aaron Courville
Ten podręcznik do głębokiego uczenia się jest zasobem, który ma pomóc studentom i praktykom w wejściu na dziedzinę uczenia maszynowego w ogóle, a w szczególności głębokiego uczenia się.
W tej książce przedstawiono teoretyczne podstawy sieci neuronowych. Nie korzysta z TensorFlow, ale jest doskonałym źródłem informacji dla studentów zainteresowanych pogłębieniem wiedzy.
Krok 3: Przeczytaj i wdrażaj dokumenty za pomocą TensorFlow
W tym momencie zalecamy przeczytanie artykułów i wypróbowanie zaawansowanych tutoriali na naszej stronie, które zawierają implementacje kilku znanych publikacji. Najlepszym sposobem na naukę zaawansowanych aplikacji, tłumaczenia maszynowego lub podpisów obrazów jest przeczytanie artykułu, do którego link znajduje się w samouczku. Pracując nad nim, znajdź odpowiednie sekcje kodu i wykorzystaj je, aby utrwalić zrozumienie.
Podstawy uczenia maszynowego z TensorFlow
Następny
Specjalizacja: Podstawy TensorFlow do programowania w 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)"]]
